基于 CNN 与 TV-TV 最小化的鲁棒单图像超分辨率
计算机视觉与模式识别
2021-09-29 v1 机器学习
最优化与控制
摘要
单图像超分辨率是提高图像分辨率的过程，即从低分辨率（LR）图像获得高分辨率（HR）图像。通过利用大型训练数据集，卷积神经网络（CNNs）目前在该任务上取得了最先进的性能。然而，在测试/部署期间，它们未能强制 HR 与 LR 图像之间的一致性：如果我们对输出的 HR 图像进行下采样，它与其 LR 输入从不匹配。基于这一观察，我们提出用一种称为 TV-TV 最小化的优化问题对 CNN 输出进行后处理，以强制一致性。正如我们广泛的实验所示，这种后处理不仅提高了图像质量（就 PSNR 和 SSIM 而言），而且使超分辨率任务对算子失配具有鲁棒性，即当下采样真值与用于创建训练数据集的算子不同时。
引用
@article{arxiv.2004.00843,
title = {Robust Single-Image Super-Resolution via CNNs and TV-TV Minimization},
author = {Marija Vella and João F. C. Mota},
journal= {arXiv preprint arXiv:2004.00843},
year = {2021}
}
备注
Under peer review