delphi 生成 超大量xml_用OpenCV4实现图像的超分别率

用OpenCV4实现图像的超分别率

本实验原文链接：·

f="https://arxiv.org/pdf/1807.06779.pdf">https://arxiv.org/pdf/1807.06779.pdf

原文摘要

单图像超分辨率（SISR）的主要挑战是如何恢复微小纹理等高频细节。然而，大多数最先进的方法缺乏识别高频区域的特定模块，导致输出图像模糊。本文提出了一种基于注意的方法来区分纹理区域和平滑区域。高频细节定位后，进行高频补偿。这种方法可以与先前提出的SISR网络相结合。通过提供高频增强，可以获得更好的性能和视觉效果。本文还提出了自己的由DenseRes块组成的SISR网络。该模块提供了一种将低层特征和高层特征相结合的有效方法。大量的基准测试表明，本文提出的方法比SISR的最新作品有了显著的改进。

单图像超分辨率（SISR）的任务是从单低分辨率（LR）输入图像中推断出高分辨率（HR）图像。

这是一个高度不适定的问题，因为在低通滤波和下采样过程中，诸如微小纹理等高频信息会丢失。因此，SISR是一对多的映射，本文的任务是找到最合理的图像，尽可能地恢复微小的纹理。为了从LR图像中恢复HR图像，需要大的接收场从LR图像中获取更多的上下文信息。使用更深层的网络是增加接受视野的更好方法。深度网络的一个缺点是梯度问题的消失，使得网络难以训练。Heetal.[1]利用这些学习框架来进行网络训练。跳过连接是另一种通过网络增加梯度和信息流动的解决方案。低层特征包含了有效的信息，可以用来重建HR图像。SISR将从不同层次的集体信息中获益。SISR的难点在于恢复高频细节，如微小纹理。

输出图像与原始图像之间的均方误差（MSE）常作为损失函数来训练卷积神经网络。然而，在追求高峰值信噪比（PSNR）的过程中，MSE会返回许多可能解的均值，从而使输出图像变得模糊和不可信。为了恢复高频细节，人们提出了知觉损失[2]，它鼓励生成特征表示相似的图像的网络，从而产生更清晰的图像。莱迪格在阿尔。[3] ，[4]结合对抗性网络、感知损失和纹理损失，鼓励输出图像恢复微小纹理等高频细节。但是所有这些网络并不清楚高频细节的位置，它们只是试图盲目地恢复

纹理。因此，这些网络的性能并不令人满意。为了解决这些问题，首先，在denseNet[5]的基础上，本文提出了一种新的由剩余积木块（Resblock）[1]组成的DenseRes块。每个Resblock的输出都连接到其他Resblock，增强了信息的流动性，避免了冗余特征的重新学习。利用DenseRes块，减少了梯度消失问题，网络易于训练。第二，本文提供一个注意机制来处理高频细节的恢复。受用于语义像素级分割的U-net[6]的启发，本文提出了一种新的混合密集连接U-net，以帮助网络区分是否存在需要修复或类似于插值图像的细小纹理区域。它作为一个特征选择器，有选择地增强高频特征。因此ÿ