本文介绍了Anchored Neighborhood Regression (ANR)在超分辨率中的应用，作为稀疏编码（Sparse Coding, SC）的改进方法。ANR通过预计算的投影矩阵在训练阶段实现LR到HR的转换，提高重建速度。全局回归（Global Regression, GR）是ANR的一种特殊情况，使用相同投影矩阵处理所有特征，但可能牺牲图像质量和匹配度。"
95384862,8539192,QT实现登录界面与SQL Server连接验证,"['QT', '数据库开发', 'SQL', '前端开发']
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
最低0.47元/天 解锁文章
扫一扫
2527
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
