科学数据集基于CNN的超分辨率中守恒律与可逆性的严格强制
图像与视频处理
2021-10-28 v2 计算机视觉与模式识别
摘要
近来，深度卷积神经网络（CNNs）革新了图像超分辨率（SR），大幅超越以往提升图像分辨率的方法。其对众多涉及图像或网格化数据集的科学领域可谓福音：卫星遥感、雷达气象、医学成像、数值模拟等。遗憾的是，虽SR-CNNs产出视觉上令人信服的结果，但应用于科学数据集时可能破坏物理守恒律。本文提出一种SR-CNNs中的“下采样强制”方法。推导出一个可微算子，将其作为CNN的最终传递函数时，可确保高分辨率输出在二维平均下采样下精确复现低分辨率输入，同时提升SR方案性能。该方法在多个基准图像数据集上的七种现代基于CNN的SR方案中得到验证，并展示了在天气雷达、卫星成像仪和气候模型数据上的应用。该方法在缩短训练时间、提升性能的同时，确保了超分辨率数据与低分辨率数据间的物理一致性。
引用
@article{arxiv.2011.05586,
title = {Strict Enforcement of Conservation Laws and Invertibility in CNN-Based Super Resolution for Scientific Datasets},
author = {Andrew Geiss and Joseph C. Hardin},
journal= {arXiv preprint arXiv:2011.05586},
year = {2021}
}
备注
16 pages, 7 figures