背景介绍:SR其中的亮度通道(Y),因为Cb、Cr缩小和放大没有什么不一样.
老实说,这张图没看懂!!
这篇文章的创新在传统SR问题的推导过程替换成W,变成一个回归问题训练和SR,如下图:
这篇文章的大致想法是 训练随机森林,随机森林的叶子节点带有回归函数,所以他的目标函数,包括两个功能
一个功能是把类似的图片分到相同的树节点,也就是11式中的第二项,类似聚类;另外一个功能叶节点的回归函数回归误差最小化.SR的时候,把每棵树的叶节点回归输出取平均,实验部分,作者对比不同的回归函数(RFC RFP RFL)的效果,RFP(多项式)效果最好。
相比《Optimized Regressor Forest for Image Super-Resolution》,虽然两篇都使用到随机数森林,但是还是有差异,后者的系统流程图:
后者先分类,确定使用哪个回归函数,然后使用该回归函数有回归,前者把回归函数和分类都集成到随机森林。
实验部分
实验部分添加正则的作用,树结构(平衡树),与其他方法对比的SR时间...总之实验部分很是详尽,挺大的工作量.
代码部分:
代码部分要解决这么一个问题:
imTar = P*Xsrc;
%%imTar = imHY - imMY;
% imMY为插值放大的图像,imTar 也就是其中的高频细节
%%Xsrc为插值放大的图像patch经过四种滤波器后生成的纹理.