超分-wavelet

1、DWSR:Deep Wavelet Prediction for Image Super-resolution

动机:

大多数基于深度学习的图像超分辨率方法都是基于空间域数据,目的是将像素值重构为网络的输出。在本工作中,我们探讨了在SR任务中利用转换域数据的优点,特别是在捕捉图像中的更多结构信息以避免过多的人工痕迹。此外,基于VDSR和残差网在超分辨率任务中的良好性能,提出了一种用于超分辨率任务的深度小波网络(DWSR)。

贡献:

(1)第一个将小波域内的信息互补(分成低频和高频子带)与深度CNN相结合的方法。具体来说,小波促进稀疏性,也提供有关图像的结构信息。
(2)在小波预测网络的基础上,利用残差对小波系数的稀疏性促进作用,通过残差的推断进一步增强小波系数,在残差网络的基础上构建了小波预测网络。
(3)我们的网络有多个输入和输出通道,可以学习图像不同层次的不同结构。小波系数中的这种互补结构信息有助于用较少的伪影更好地重建SR结果。

Haar(db1)小波

在这里插入图片描述
LL(average)为低频信息,LH(horizontal)为水平高频信息,HL(vertical)为垂直高频信息,HH(diagonal)为对角高频信息。
在这里插入图片描述

网络结构

如下图所示,训练过程中,LR小波分解,得到LRSB,SR小波分解得到SRSB,利用卷积残差网络,学习LRSB和SRSB的残差部分。
测试时,将得到的SRSB通过逆小波分解转化为SR图片。
在这里插入图片描述

损失函数

在这里插入图片描述

Deep Residual Network in Wavelet Domain for Image Super-resolution

对DWSR进行改进:
(1)DWSR输入为LRSB,网络部分学习LRSB和SRSB之间的差值△SB,而直接将LR作为输入,学习的实际也是LRSB和SRSB之间的差值△SB,其实只是网络输入不一样。
(2)网络结构的改进,DWSR只是一些简单的卷积,而本文利用残差块,多尺度特征融合,更好地提取特征。
在这里插入图片描述

MWCNN:Multi-level Wavelet-CNN for Image Restoration

之前方法的缺点:

WPT从分解的角度独立处理每个子带,忽略了这些子带之间的依赖关系。相比之下,我们的MWCNN考虑了多级小波变换,在不损失信息的情况下扩大接收域。我们的MWCNN将所有的子带作为每次变换后的输入,可以将DWT嵌入到任何带池的cnn中,具有更强的空间上下文和子带间依赖关系建模能力。

本文提出了一种多级小波CNN (MWCNN)模型,以扩大接收域,更好地权衡性能和效率。我们的MWCNN基于U-Net架构,由一个收缩子网和一个扩展子网组成。在收缩子网络中,引入离散小波变换(DWT)来代替每个池操作。由于DWT是可逆的,保证了这种下采样方案可以保留所有的信息。DWT可以同时捕获feature map的频率和位置信息,这可能有助于保存细节纹理。在扩展子网络中,利用小波逆变换(IWT)将低分辨率的特征映射上采样到高分辨率的特征映射。为了丰富特征表示,减少计算量,采用元素求和的方法将收缩和扩展子网络的特征映射进行组合。此外,扩频滤波也可以解释为MWCNN的一种特殊情况,我们的扩频滤波在扩大接收域方面更为普遍和有效。

贡献:

(1)提出了一种新的MWCNN模型,该模型在提高接收域容量的同时,兼顾了效率和恢复性能。
(2)由于小波变换具有良好的时频局域性,因此具有良好的细节保持能力。

网络结构

从这张图可以看出,相对于WPT,本文框架考虑了四个子带之间的相互关系。
在这里插入图片描述MW-CNN详细结构:
在这里插入图片描述

Wavelet-SRNet: A Wavelet-based CNN for Multi-scale Face Super Resolution

贡献:

1)提出了一种新的基于小波的方法基于cnn的人脸SR算法,,这是在深度学习框架下首次尝试将单幅图像SR转换为小波系数预测任务。
2)为了充分利用小波变换,提出了一种灵活、可扩展的全卷积神经网络。它可以应用于具有多个上标因子的不同输入分辨率面
3)定性和定量地研究了多尺度面超分辨率问题,特别是在输入分辨率极低的情况下。

网络架构

在这里插入图片描述

损失函数

在这里插入图片描述

  • 6
    点赞
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值