XCycles 反投影声学超分辨率
计算机视觉与模式识别
2021-05-20 v1 机器学习
声音
音频与语音处理
摘要
计算机视觉界已高度关注利用深度神经网络(DNNs)发展可见光图像超分辨率(SR)并取得令人印象深刻的成果。非可见光传感器(如声学成像传感器)的进步备受瞩目,因其使人们能可视化可见光谱之外的声波强度。然而,由于声学数据获取的局限,亟需改进声学图像分辨率的新方法。目前尚无专为 SR 问题设计的声学成像数据集。本工作提出了一种用于声学图像超分辨率问题的新颖反投影模型架构,以及 Acoustic Map Imaging VUB-ULB Dataset (AMIVU) 数据集。该数据集提供了不同分辨率下的大量模拟与真实捕获图像。所提出的 XCycles BackProjection 模型(XCBP)与前馈模型方法不同,其在每个周期中充分利用迭代校正过程,以在低分辨率与高分辨率空间中为编码特征重建残差误差校正。所提方法在数据集上进行了评估,相较经典插值算子与近期前馈最优模型表现出高度优越性。其还有助于大幅降低数据获取过程中产生的子采样误差。
引用
@article{arxiv.2105.09128,
title = {XCycles Backprojection Acoustic Super-Resolution},
author = {Feras Almasri and Jurgen Vandendriessche and Laurent Segers and Bruno da Silva and An Braeken and Kris Steenhaut and Abdellah Touhafi and Olivier Debeir},
journal= {arXiv preprint arXiv:2105.09128},
year = {2021}
}