图像超分辨率:任意尺度超分方法Meta-SR: A Magnification-Arbitrary Network for Super-Resolution

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

如下图,b是RDN特征提取网络,关键是c模块 Meta upscale module
input:
这里 meta upscale module的输入是 一个 HW * 3的一个向量,其中HW是放大后的图像尺寸,每行的3列表示的是 映射到 LR图后 的像素位置向下取整的偏移量信息。
举个例子以放大倍数r=2为例子,SR图中x=5的像素,在LR中是x=2.5。那么x- int(x) = 0.5,表示的是相比左上角的偏移量,y方向同理。
其实在做双线性插值的时候也会求这个距离,再求weight, 再加权得到最后的结果。

net:
HW*3的向量通过全连接层 得到 HW * (in_channel * out_channel * k * k)的向量。
这个向量表示的是HW个滤波器,对特征提取网络得到的特征进行滤波,得到最终的 HW尺寸的图像。

图像超分辨率:任意尺度超分方法Meta-SR: A Magnification-Arbitrary Network for Super-Resolution_第1张图片

图像超分辨率:任意尺度超分方法Meta-SR: A Magnification-Arbitrary Network for Super-Resolution_第2张图片

最终的结果:数据指标基本领先

图像超分辨率:任意尺度超分方法Meta-SR: A Magnification-Arbitrary Network for Super-Resolution_第3张图片

图像超分辨率:任意尺度超分方法Meta-SR: A Magnification-Arbitrary Network for Super-Resolution_第4张图片

[1]https://www.linkresearcher.com/theses/7cf11c2f-4c19-47e1-a886-fc360c33463c

你可能感兴趣的:(图像处理算法,计算机视觉,人工智能)