抑制图像超分辨率网络的模型过拟合
计算机视觉与模式识别
2019-06-13 v1
摘要
大型深度网络在单图像超分辨率（SISR）中已展现出竞争性能，且涉及海量数据。然而，在实际场景中，由于可获取的配对训练数据有限，大型模型表现出过拟合与记忆等不理想行为。为抑制模型过拟合并进一步利用大模型容量的优势，我们深入研究了提供额外训练数据对的通用方法。特别地，我们引入简单学习原则MixUp，在样本对的插值上训练网络，鼓励网络在训练样本之间支持线性行为。此外，我们提出一种具有学习退化的数据合成方法，使模型能够使用具有更高内容多样性的额外高质量图像。该策略被证明能成功减少数据偏差。通过结合这些组件——MixUp与合成训练数据，大型模型可在极少数据样本下训练而不发生过拟合，并取得满意的泛化性能。我们的方法在NTIRE2019真实超分辨率挑战赛中获第二名。
引用
@article{arxiv.1906.04809,
title = {Suppressing Model Overfitting for Image Super-Resolution Networks},
author = {Ruicheng Feng and Jinjin Gu and Yu Qiao and Chao Dong},
journal= {arXiv preprint arXiv:1906.04809},
year = {2019}
}