(Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution)论文笔记

闭环问题:单图超分辨率的双回归网络

论文地址:Closed-loop matters: Dual regression networks for single image super-resolution

代码地址:https://github.com/guoyongcs/DRN

摘要:目前大多SR方法有两个局限。首先,SR是个不适定问题,HR对应得LR图像可能有多个。因此,SR的解空间是非常大的,很难寻找一个比较好的解。其次,HR和LR图像对在现实中不存在而且退化模型是未知的。更一般的情况是,现在的大多模型存在应用问题并且实际应用中效果也不好。为了解决这个问题,作者提出了一个双回归方案,通过引入一个额外的约束去限制LR数据来缩小解空间。此外,除了学习LR和HR之间的映射,还学习一个额外的映射去估计下采样核和重建低分辨率图像,这形成一个闭环去提供了额外的监督。更重要的是,双回归网络不依赖高分辨率图像,它是直接从LR图像进行学习。这种情况下,可以很简单的将模型应用到真实世界中。用成对的数据和真实数据实验证明了作者方法的优越性。

引言

SR问题的求解是非常难。为了提高模型得性能,一般得方式是提高模型的容量。比如EDSR,DBPN,RCAN。但是这些方法仍然存在解空间大的问题,导致没有产生锋利的边缘。因此,如何通过减少解空间的范围来提高模型的性能也变成研究重点。

(Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution)论文笔记_第1张图片

 上图可以看到,作者提出的方法可以产生更加锋利的边缘信息。

第二,没有成对的训练数据很难获得SR模型。而且真实世界是不存在成对的样本对的。因此,训练好一个模型去解决现实问题是很重要的。

在这篇论文里,作者提出了一个新的双回归方案,形成了闭环去增强模型的性能。为了解决第一个问题,作者引入了一个额外的约束去限制解空间.理想情况下,如果从LR恢复HR是好的话,那么可以SR后的图像通过下采样也可以得到LR。基于此,作者作者估计下采样的核去限制解空间。   为了解决第二问题,作者让模型直接从LR图像学习

(Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution)论文笔记_第2张图片

双回归训练方案。原始任务是用来学习SR,第二个任务是将SR后的图像投射回LR图像。

 

相关工作

监督学习

RCAN 

DBPN

无监督学习

基于Cycle-GAN ,提出CinCGAN模型。最近,很多盲超分方法被提出解决未知退化模型。

双学习  这种学习方法是同时学习两个相反的任务。

(Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution)论文笔记_第3张图片

 后面的没看。目前这种学习方法还没接触到。目前主要还是以残差网络,密集网络网络为主。

你可能感兴趣的:(单图像超分辨,深度学习,人工智能)