CVPR2018-SRMD

  1. 模糊和噪声过于单一(看来考虑运动模糊还是挑战)

  2. 没有模糊和噪声的估计过程,均为手工输入 (这个问题好像在IKC中得到了解决)

    https://github.com/cszn/SRMD

    https://github.com/2wins/SRMD-pytorch

    创新点:

    1. 设计了一个非盲单一 CNN 网络SRMD,针对多个退化模型, 模型的输入除了LR图,还有 degration map(blur kernel, noise level)

    2. 提出了维度伸展策略,使LR图像、blur kernel、noise level 维度匹配

    3. 网络SRMDNF, 在SRMD的基础上用没有noise的图像 fine-tunning

     

    思路:

    1. 训练数据的合成 (模糊核:isotropic Gaussian & anisotropic Gaussian;噪声:AWGN;双三次插值)

    isotropic Gaussian:kernel withdh ranges are set to [0.2, 2], [0.2, 3], [0.2, 4] for scale factors 2, 3, 4; 步长为0.1;kernel size为15x15

    anisotropic Gaussian: rotation angel [0, pi], scaling of eigenvalues is set from 0.5 to 6.8 and 10 for scale factors 2, 3, 4

    noise level : [0, 75]

     

    2. input image、blur kernel 、noise level 的融合策略:

    image 

    模糊核首先通过PCA 降为 t

    然后 concatenate 一个 噪声 level v 变为 t+1

    将这t+1维 拉伸成 WxHx(t+1),得到 degration maps 就可以与输入图像 concatennate 了

     

    3. 网络的设计

    image 

    1) 网络的输入为 WxHx(c+t+1)

    2) convolutional layers: 每一层包括 Conv(3x3) + Relu + BN 除了最后一层

    3)最后使用 sub-pixel convolutionl layer 上采样

    试验中convolutional layers的数量为12,number of feature maps 是128

    没有使用 residual learning 和 bicubicly LR image 的原因是:1) 在使用Relu + BN 和Adam训练时,没有residual learning strategy 也是easy to train 的;2) 由于噪声的加入,bicubicly LR image 可能会恶化噪声的复杂度,反过来会增加训练的困难度

     

    4. 训练过程:

    1)t=15 M=N=40, 对应的HR图像的size分别为 80x80, 120x120, 160x160

    2) 数据集:400 BSD, 800 DIV2K,4744 WED dataset

     image

     

    5. 在通常用的 bicubic degration 上的实验

    image

    SRMDNF取得了最好的效果, 解释原因: 可能的原因是,在MAP框架中,Multiple degrations的SRMDNF具有相同的先验,有利于隐式先验学习,从而有利于PSNR的改进。这也可以解释为什么vdsr with multiple scales可以提高性能。(我认为原因也可能是SRMD使用了更多的数据集)

    image

     

    6. 在 general degrations 上的实验

    image

    (NCSR 和 IRCNN 是 two-model-based方法,DnCNN是一个去噪算法)SRMD在更宽的kernel width上的优势还挺明显的

    image

    NCSR和IRCNN的视觉效果比VDSR好,SRMD和SRMDNF的结果在边缘处更sharp

     

    7. 在 spatially variant degradation  上的实验

    image

     

    8. 在 real images 上的实验

    1) 只提供了视觉上的对比

    2) 采用网格搜索策略选择kernel width 和 noise level : (kernel size 在0.1到2.4之间,步长为0.1均匀采样;noise level 在0到75之间,步长为5均匀采样) --(这个方法有点笨笨的

    image 含有压缩伪影的LR image

    image 含有重复性结构的图片

    (SelfEx是一个self-similarity based的方法)

    综上 SRMD 去掉了伪影和噪声而且更sharp

     

    一些想法:

    1. 模糊和噪声过于单一(看来考虑运动模糊还是挑战)

    2. 没有模糊和噪声的估计过程,均为手工输入 (这个问题好像在IKC中得到了解决)

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值