Meta-SR:A Magnification-Arbitrary Network for Super-Resolution

Meta-SR: A Magnification-Arbitrary Network for Super-Resolution

原文链接：https://arxiv.org/abs/1903.00875

摘要
任意尺度的超分已经被忽视好久了。大多数研究者把不同尺度超分当成一个独立的任务。而且这些尺度都是整数阶的。因此，本文提出Meta-SR来解决上述问题。提出Meta-Upscale Module来代替传统的Upscale module。Meta-Upscale Module 能动态的预测upscale filters 的权重，通过将scale factor作为输入和用这些权重去生成任意尺度的HR图像。对于任何低分辨率图像，能够通过一个模型产生连续不断的放大的图像。

1介绍
很少有人讨论任意缩放的超分。ESPCNN，EDSR，RDN和RCAN这些方法都用到亚像素卷积来放大图像。（亚像素卷积详见：https://blog.csdn.net/leviopku/article/details/84975282）
亚像素卷积的存在两个缺点：1、对于不同缩放因子需要设计特定的upscale module
                                 2、每一个upscale module只能在整数阶的放大
这些缺点限制了超分在真实场景上的使用。
要做到任意尺寸的超分，需要一组upscale filter的权重来对应每一个缩放因子。受到了meta-learning的启发，提出了动态预测对于每个缩放因子的filter的权重的网络。

Meta-SR有两个模块，一个是Feature Learning Module，另一个是Meta-Upscale Module。
Meta-Upscale Module：对于每一个生成HR图像像素（i，j），我们基于缩放因