使用深度内部学习的“零样本”超分辨率
计算机视觉与模式识别
2017-12-19 v1 机器学习
神经与进化计算
图像与视频处理
摘要
过去几年中，深度学习使得超分辨率（SR）性能取得巨大飞跃。然而，由于是有监督的，这些 SR 方法受限于特定的训练数据，其中低分辨率（LR）图像由其高分辨率（HR）对应图像获取的方式是预先确定的（例如双三次下采样），且没有任何干扰性伪影（例如传感器噪声、图像压缩、非理想 PSF 等）。但真实 LR 图像很少遵从这些限制，导致 SotA（State of the Art，最先进）方法的 SR 结果很差。本文中我们引入“零样本”SR，其利用深度学习的威力，但不依赖先验训练。我们挖掘单幅图像内部信息的内部递归性，并在测试时仅从输入图像本身提取的样本上训练一个小型图像专用 CNN。因此，它可针对每幅图像自适应不同设置。这使得能够对真实老照片、噪声图像、生物数据及其他采集过程未知或非理想的图像进行 SR。在此类图像上，我们的方法优于基于 SotA CNN 的 SR 方法，以及先前的无监督 SR 方法。据我们所知，这是首个基于无监督 CNN 的 SR 方法。
引用
@article{arxiv.1712.06087,
title = {"Zero-Shot" Super-Resolution using Deep Internal Learning},
author = {Assaf Shocher and Nadav Cohen and Michal Irani},
journal= {arXiv preprint arXiv:1712.06087},
year = {2017}
}