论文信息
[Anchored Neighborhood Regression for Fast Example-Based uper Resolution]-TIMOFTER, 2013, IEEE International Conference on Computer Vision
前置内容
邻域嵌入(Neighbor Embedding, NE)是“样本-样本”映射,在训练样本中寻找测试样本的相似邻居特征样本,计算量略大。
稀疏编码(Sparse Coding)重建的过程是从字典中自适应的选择一个或者多个字典原子,这些字典原子适合当前输入低分辨率图像块特征,最后利用这些字典原子的线性组合来得到相应的高频细节特征。需要在重建过程计算LR到HR图的原子投影矩阵,计算复杂度高。
锚点邻域回归(Anchored Neighborhood Regression, ANR)改进SC算法,SC的原子投影矩阵需要在重建过程进行在线处理,耗时很大。ANR算法提出找一个投影矩阵可以在训练阶段离线计算,映射关系确定后在重建过程直接使用,可以实时重建高分辨率图像。
稀疏表示的思想在于LR字典与HR字典可以共用一套稀疏系数矩阵
LR: 低分辨率;HR:高分辨率
全局回归( Global Regression)
全局回归( Global Regression, GR)是ANR的极端情况。全局回归通过相同的投影矩阵把LR特征投射到HR空间 ,针对所有字典特征,,由GR引出投影矩阵的公式
假设输入图像块特征对应相同的映射矩阵全局回归看作稀疏为 l 2 l_2 l2范数正则化的最小二乘回归
m i n ∥ y F − N l β ∥ 2 2 + λ ∥ β ∥ 2 ( 1 ) min\lVert y_F-N_l\beta \rVert_2^2+ \lambda \rVert\beta\rVert_2 (1) min∥yF−Nlβ∥22+λ∥β∥2(1)
其中, y F y_F yF表示 输入的LR块特征, N l N_l N