哈工大、西工大、福大、澳大、港中文联合提出一种树形卷积神经网络的图像超分辨方法

关注公众号，发现CV技术之美

本篇分享论文A Tree-Guided CNN for Image Super-Resolution，哈工大、西工大、福大、澳大、港中文联合提出一种树形卷积神经网络的图像超分辨方法。

• 论文作者：田春伟，宋明键、范晓鹏、郑向涛、Zhang Bob、Zhang David

• 论文原文：https://ieeexplore.ieee.org/abstract/document/11010139

• 代码链接：https://github.com/hellloxiaotian/TSRNet.

摘要

深度卷积神经网络能通过深度结构来获得更精准的结构信息，以提高图像超分辨性能。然而，单个深度网络具有积极作用的关键层不易被发现。

本文提出一种树形卷积神经网络的图像超分辨方法。该方法利用树形结构引导深度网络，通过提高重要节点作用来寻找到关键网络层，以扩大关键层次信息关联性来提高恢复图像超分辨模型的自适应性。

为了防止获得结构信息的不足，余弦用来提取跨域信息，提高图像超分辨性能。自适应的Nesterov动量优化器用来优化参数，提高超分辨模型的有效性。实验表明提出超分辨模型在恢复高质量图像上具有优越性。代码在https://github.com/hellloxiaotian/TSRNet处可获取。

正文

本文贡献：

1. 利用二叉树知识实现的树网络能增强关键层次信息的相关性，提高图像超分辨性能。

2. 余弦技术能用来提取跨域信息，提取局部的显著性信息来促进更鲁棒的结构信息，利于恢复高质量图像。

3. 自适应的Nesterov动量优化器能用来优化参数和遏制局部梯度爆炸，进一步提高图像超分辨性能。

本文网路图：

性能验证：

结论

本文提出一种树形网络的图像超分辨方法。该方法能利用不同树的关联来寻找关键的结构信息的作用，提高图像超分辨性能。

为了防止局部关键信息的丢失，余弦技术用来提取方向特征的相似性，促进更多的局部显著性信息，以恢复更高质量图像。为了防止训练过程陷入局部最优，Adan算法用来解决梯度爆炸来优化参数，提高预测图像的质量。

定量分析和定性分析都说明了本文提出方法在图像超分辨上有消息。将来工作将进一步探索不同树之间关联来解决图像超分辨问题。

最新 AI 进展报道
请联系：amos@52cv.net

END

欢迎加入「超分辨率」交流群👇备注：SR