SamplingAug：论块采样增强在单图像超分辨率中的重要性
计算机视觉与模式识别
2021-12-01 v1 人工智能
摘要
随着深度神经网络（DNNs）的发展，大量基于 DNNs 的方法被提出用于单图像超分辨率（SISR）。然而，现有方法多在均匀采样的低分辨率-高分辨率（LR-HR）块对上训练 DNNs，使其无法充分挖掘图像内有信息量的块。本文中，我们提出一种简单而有效的数据增强方法。我们首先设计了一种启发式度量来评估每个块对的信息重要性。为降低对所有块对的计算成本，我们进一步提出通过积分图优化该度量的计算，实现了约两个数量级的加速。训练块对依据其信息重要性通过我们的方法采样。大量实验表明，我们的采样增强能持续提升多种 SISR 架构（包括 EDSR、RCAN、RDN、SRCNN 和 ESPCN 在不同缩放因子（x2、x3、x4）下）的收敛性并提升其性能。代码见 https://github.com/littlepure2333/SamplingAug
引用
@article{arxiv.2111.15185,
title = {SamplingAug: On the Importance of Patch Sampling Augmentation for Single Image Super-Resolution},
author = {Shizun Wang and Ming Lu and Kaixin Chen and Jiaming Liu and Xiaoqi Li and Chuang zhang and Ming Wu},
journal= {arXiv preprint arXiv:2111.15185},
year = {2021}
}
备注
BMVC 2021