基于图像自适应去噪CNN的超分辨率：融合外部与内部学习
计算机视觉与模式识别
2019-07-24 v3 机器学习
摘要
尽管深度神经网络在已知固定采集过程（如双三次下采样核）的图像超分辨率（SR）任务中展现出最先进的性能，但当真实观测模型与训练所用模型不匹配时，其性能会大幅下降。近来，两种不同技术被提出以缓解这一缺陷，即在不受训练阶段限制的情况下享受深度学习的优势。第一种遵循即插即用（P&P）方法，通过在基于模型的优化方案中使用高斯去噪器处理先验项来解决一般逆问题（如SR）。第二种建立在单幅图像内部信息的递归性之上，在测试时从低分辨率图像合成样本并训练超分辨率网络。我们的工作融合了这两种独立策略，既具备第一种所捕获的深度学习的优异泛化能力，又通过测试时的内部学习进一步提升性能。首先，我们将近期的一种P&P策略应用于SR。随后，我们展示它如何在测试时变得图像自适应。该技术在流行数据集上的表现优于上述两种策略，并在观测模型不精确或预先未知的实际情况下取得比其它最先进方法更好的结果。
引用
@article{arxiv.1811.12866,
title = {Super-Resolution via Image-Adapted Denoising CNNs: Incorporating External and Internal Learning},
author = {Tom Tirer and Raja Giryes},
journal= {arXiv preprint arXiv:1811.12866},
year = {2019}
}
备注
Accepted to IEEE Signal Processing Letters (extended version)