高性能图像放大算法——waifu2x方法

最新推荐文章于 2024-08-13 08:17:53 发布

m_buddy

最新推荐文章于 2024-08-13 08:17:53 发布

阅读量2w

点赞数 3

分类专栏：图像处理相关文章标签： waifu2x 图像放大

本文链接：https://blog.csdn.net/m_buddy/article/details/80570835

版权

本文详细探讨了waifu2x图像放大算法，它通过训练端到端网络，改善了传统插值算法在高倍放大时的锯齿和模糊问题。waifu2x方法分为图像区块提取与表达、非线性映射和重建三个步骤，利用卷积神经网络实现图像的高质量放大。相较于SRCNN，waifu2x在图像质量上有更优表现。

摘要由CSDN通过智能技术生成

1. 前言

在前面的博客中介绍了hqx图像放大算法，其图像放大的效果是好于传统的双线性插值、三次插值算法的。但是在图像放大倍数较高的时候图像中的边缘还是存在锯齿的现象。但是其也有很明显的优点，那就是速度快。
在本文中主要讨论的是waifu2x方法。该方法的思想：即是训练一个端到端的网络，使用低分辨率的图像作为输入得到对应的高分辨率结果图像，最后得到的结果在图像的锯齿与模糊程度有较好表现，其训练的原理类似于FCN模型。该方法支持三通道的彩色图像作为输入，输出其经过放大的结果。下面是论文中的结果图：
这里写图片描述
SRCNN（Super-Resolution Convolutional Neural Network）在PSNR性能评价指标上是好于双三次插值算法与基于稀疏编码的方法的。

2. 具体实现思路

2.1 构想

将一幅低分辨率的图像使用双三次插值进行放大得到图像Y，使其与对应分辨率的ground truth图像X有相同的大小尺寸，现在就是要寻找到F(Y)变换关系使得其与X尽可能的相似。因而可以将其分为三步走：
1. 图像区块提取与表示：这一步就是使用一个窗在图像中进行截取，之后通过运算之后得到一个高维的特征向量。
2. 非线性映射：将高维的特征向量映射到另外一个高维的特征向量
3. 重建：产生与ground truth近似的结果
其构想为：
这里写图片描述