SDAN：用于学习未对齐光学变焦的平方可变形对齐网络
计算机视觉与模式识别
2021-11-29 v2
摘要
基于深度神经网络（DNN）的超分辨率算法已大幅提升了生成图像的质量。然而，由于难以学习未对齐的光学变焦，这些算法在处理真实世界超分辨率问题时往往产生显著伪影。本文中，我们引入一种平方可变形对齐网络（Squared Deformable Alignment Network, SDAN）以解决该问题。我们的网络学习卷积核的平方逐点偏移，并基于偏移在修正后的卷积窗口中对齐特征。因此，未对齐将通过提取的对齐特征被最小化。不同于原始可变形卷积网络（Deformable Convolutional Network, DCN）中使用的逐点偏移，我们提出的平方偏移不仅加速了偏移学习，还以更少参数改善了生成质量。此外，我们进一步提出一种高效的交叉打包注意力层以提升所学偏移的精度。其利用打包与解包操作来扩大偏移学习的感受野，并增强提取低分辨率图像与参考图像间空间连接的能力。综合实验表明，我们的方法在计算效率与真实细节上均优于其他最先进方法。
引用
@article{arxiv.2104.00848,
title = {SDAN: Squared Deformable Alignment Network for Learning Misaligned Optical Zoom},
author = {Kangfu Mei and Shenglong Ye and Rui Huang},
journal= {arXiv preprint arXiv:2104.00848},
year = {2021}
}
备注
ICME21. Code is available at https://github.com/MKFMIKU/SDAN