基于深度卷积充分统计量的超分辨率
计算机视觉与模式识别
2016-03-02 v4
摘要
图像和音频中的逆问题，特别是超分辨率，可视为高维结构化预测问题，其目标是刻画给定低分辨率退化观测的高分辨率输出的条件分布。当缩放比例较小时，点估计取得令人印象深刻的性能，但很快它们会遭受回归到均值问题，这是由于其无法捕获该条件分布的多模态性。建模高维图像和音频分布是一项艰巨任务，需要既能建模复杂几何结构又能建模纹理区域的能力。本文中，我们提议使用吉布斯分布作为条件模型，其充分统计量由深度卷积神经网络给出。网络计算的特征对局部形变稳定，且当输入为平稳纹理时方差减小。这些性质意味着所得充分统计量在给定退化观测下最小化目标信号的不确定性，同时具有高度信息量。CNN的滤波器通过多尺度复小波初始化，然后我们提出一种通过估计条件对数似然的梯度来微调它们的算法，该算法与生成对抗网络(Generative Adversarial Networks)有些相似。我们在图像超分辨率任务上实验评估了所提方法，但该方法具有通用性，可用于其他具有挑战性的病态问题，如音频带宽扩展。
引用
@article{arxiv.1511.05666,
title = {Super-Resolution with Deep Convolutional Sufficient Statistics},
author = {Joan Bruna and Pablo Sprechmann and Yann LeCun},
journal= {arXiv preprint arXiv:1511.05666},
year = {2016}
}