1.超分辨率技术
利用差分技术,提高图像的分辨率
2.方法
稀疏编码:缺点训练推理费时
卷积的方法:
SRCNN:
FSRCNN
生成对抗网络的方法
SRGAN
ESRGAN
3.升采样的方法
转置卷积:缺点会造成棋盘缺陷
次像素卷积:得到r的平方通道的特征图,再排列成rxr面积的图像
4.处理过程
- 插值得到目标尺寸的图像
- 卷积产生低分辨率图像特征图
- 卷积产生高分辨率图像特征图
- 恢复得到高分辨率图像
4.训练方法
准备数据(高分图像和低分图像),需要学习的参数(三个卷积的权重和偏差),损失函数,通过标准的SGD训练模型
说明:三层卷积的作用为:特征提取,非线性映射,图像重构
5.损失函数
均方误差:鼓励恢复图像的像素值与高分图像相近
感知损失:鼓励恢复图像的高层特征与高分图像相近
对抗损失:鼓励恢复图像更真实、细节更丰富
6.评估指标:峰值信噪比(PSNR)
最新的有关论文:
1. Enhanced SRGAN
移除batch normalization,引入衰减因子;增加更多跨层链接;用RaGAN替换GAN;
2. EDVR 视频超分辨率
网络结构图:
- 下采样
- 预去模糊
- 对齐
- 融合
- 重建
- 上采样
特征:
PCD:金字塔级联变形对齐处理大的运动,使用形变卷积
TSA:时空注意力机制
可变形卷积:标准卷积操作中采样位置增加了一个偏移量,后续学习偏移量
视屏复原的典型过程
- 对齐 利用光流
- 融合
- 特征提取
- 重建