题目:Real-Time Single Image and Video Super-Resolution Using an EfficientSub-Pixel Convolutional Neural Network
摘要:
- 近年来,基于深度神经网络的几种模型在单图像超分辨率的重建精度和计算性能方面都取得了巨大的成功。在这些方法中,在【缺点】
重建之前,使用单个滤波器(通常是双三次插值)将低分辨率(LR)输入图像放大到高分辨率(HR)空间。这意味着在HR空间中执行超分辨率(SR)操作。我们证明这不是最好的,并增加了计算复杂度
。在本文中,我们提出了第一个能够在单个K2 GPU上对1080p视频进行实时SR的卷积神经网络
(CNN)。为此,我们提出了一种新颖的CNN体系结构,其中在LR空间中提取了特征图
。此外,我们引入了一个有效的亚像素卷积层,该层学习了一个放大滤波器阵列,以将最终的LR特征图扩展到HR中输出
。通过这样做,我们用针对每个功能图专门训练的更复杂的放大滤波器有效地替换了SR管道中的手工双三次滤波器,同时还降低了整个SR操作的计算复杂性。我们使用公开数据集中的图像和视频评估了提出的方法,结果表明该方法的效果明显好于图像(在图像上为+ 0.15dB,在视频上为+ 0.39dB),比以前的基于CN