设计应用

简化退化模型的真实图像超分辨率网络

作者：林旭锋，吴丽君
发布日期：2024-03-25
来源：网络安全与数据治理

引言

单图像超分辨率（Single Image Super Resolution,SISR）旨在从低分辨率（Low Resolution，LR）图像恢复高分辨率 （High Resolution，HR）图像。在训练SISR的网络时，人们常使用二三次下采样生成超分辨率数据集从而使网络学习到相应的退化模型，进而恢复图像高频分量。但实际低质量图像的形成有两大主因：成像设备性能以及环境因素干扰，这与二三次下采样生成的低质量图像在退化模型上会有较大出入。学者通过构造数据集，将真实的LR HR数据集应用于超分辨率网络的训练，使超分网络能更好地应用于真实的低分辨率图像。例如利用不同的拍摄器材或调整参数构造LR HR数据集［1-5］以及利用生成对抗模型生成更接近于真实场景的LR HR数据集［6］。如图1所示，与利用二三次下采样得到的数据集不同，真实世界低分辨率数据集的退化模型复杂度较高，并且不同的设备型号以及不同的参数设置均会导致退化模型发生变化。而利用二三次下采样得到的数据集则具有较为固定的退化模型，仅在图像的高频分量产生退化，而低频分量则与原图近似。


本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000005932


作者信息：

林旭锋，吴丽君

福州大学物理与信息工程学院，福建福州350108


杂志订阅.jpg

此内容为AET网站原创，未经授权禁止转载。
超分辨率 预处理模块 多任务学习 计算机视觉

Copyright © 2005-2020 《电子技术应用》版权所有 京ICP备10017138号