CutBlur 图像超分辨率中的数据增强手段
本文是对CVPR2020中Rethinking Data Augmentation for Image Super-resolution: A Comprehensive Analysis and a New Strategy一文的介绍。
概述
在深度学习中,数据占据着非常重要的地位。但是现在许多的有效的数据增强方法都是针对于high-level的视觉任务的,如mixup和各种它的变体,在图像分类,目标检测等领域都起到了很好的效果。但在图像复原领域,这些数据增强的方式却不一定有效。因为这种数据增强的方式破坏了原图像中的像素的关系,造成了像素之间空间信息的丢失和混乱,而这对于图像复原任务是非常重要的。所以本文提出了一种数据增强方式,不会过多破坏原图像中的结构,并且能让模型学习到图像中哪部分内容更需要被超分。
方法
本文提出的方法非常简单,就是将原本的高分辨率图像(HR)的随机一部分图像块,替换掉低分辨率图像块中对应的位置,或者是相反地,将LR中的一部分图像块替换掉HR中的一部分图像块。如下图中的(a~d)所示:
但这一个方法存