基于 CNN 架构与 TV-TV 最小化的单图像超分辨率
计算机视觉与模式识别
2019-12-02 v2 机器学习
最优化与控制
摘要
超分辨率(SR)是一种能够提高给定图像分辨率的技术。从医学成像到消费电子，其在许多领域都有应用，已有多种 SR 方法被提出。目前性能最佳的方法基于卷积神经网络(CNNs)，且需要大量数据集进行训练。然而在测试时，它们未能对超分辨图像与给定低分辨率图像之间施加一致性约束，而经典基于重建的算法尽管性能较差，却自然满足这一性质。受此观察启发，我们提出了一种结合两种方法的新框架，生成的图像质量优于以往任何方法。尽管我们的框架需要额外计算，我们在 Set5、Set14 和 BSD100 上的实验表明，它系统性地生成了比当前最先进 SR CNN 架构峰值信噪比(PSNR)和结构相似性(SSIM)更好的图像。
引用
@article{arxiv.1907.05380,
title = {Single Image Super-Resolution via CNN Architectures and TV-TV Minimization},
author = {Marija Vella and João F. C. Mota},
journal= {arXiv preprint arXiv:1907.05380},
year = {2019}
}
备注
Accepted to BMVC 2019; v2 contains updated results and minor bug fixes