摘要:作者提出了一个双通道的卷积神经网络,用于单图像超分辨重建。它包含浅通道和深通道。大部分基于卷积神经网络的超分辨重建都是浅通道,但是这样很容易丢失细节信息。而且那些方法通常会预处理,比如双三次插值去将低分辨图像扩大到高分辨率图像大小,这样会引入噪声。第一,作者提出的方法包含两个通道。浅通道主要恢复图像的轮廓。相反,深通道主要用来提取细节纹理信息。第二,作者提出的方法直接学习端到端的映射,不需要手工处理。反卷积被嵌入到两条通道上,可以使训练更加有效,减少SR计算的复杂性。最后,在最后的重建阶段,深通道采用多尺度的方式,这样可以同时提取短和长尺度的纹理信息。作者的模型在不同的公开的数据集(包括图像和视频)进行评估。实验结果表明,作者提出的方法在精度和视觉表现上超过已经存在的方法。
引言
SISR目的是从观测的低分辨率图像恢复高分辨图像。深度学习是机器学习中的一个新的领域,目的是模仿人脑的机制搭建一个网络表示数据,例如图像、文本。卷积神经网络是有监督学习的模型。近年来,CNN在各种计算机视觉任务中表现出了良好的效果比如图像分类,目标检测,语义分割。SR不适定的性质,在大尺度因子特别明显。
传统的SISR是基于插值。基于重建的算法是最广泛研究的,它可以融合各种先验知识。
基于CNN的方法为SR问题提供了新的方向和灵感。Dong et al.提出的SRCNN,因为