论文发表于2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW)
论文下载地址:https://arxiv.org/abs/1707.02921
作者提供的源码地址:https://github.com/LimBee/NTIRE2017
韩国首尔大学研究团队提出的用于图像超分辨率任务的新方法,分别是增强深度超分辨率网络(enhanced deep super-resolution network,EDSR)和一种新的多尺度深度超分辨率(multi-scale deep super-resolution system,MDSR),在减小模型大小的同时实现了比当前其他方法更好的性能,分别赢得NTIRE2017超分辨率挑战赛的第一名和第二名。
简介
- 目前在解决SR问题上,使用深度神经网络的算法在提高peak signal-to- noise ratio (PSNR) 指标上获得了显著的效果。但是,这种网络也在结构最优化原则(architecture optimality)下也暴露了其局限性。
第一,神经网络模型的重建效果会受到网络模型细微变化的影响,不同的初始化和训练方法会导致不同级别的执行效果。
第二,现有的SR算法把不同缩放因子(scale)的超分辨率作为独立的问题,没有考虑和利用不同缩放倍数的SR之间的相互关系。这就导致需要独立训练很多的scale-specific的网络来解决不同scale的SR问题。