TL;DR该论文研究了使用深度神经网络进行图像超分辨率(SR)的任务,并且提出了一种双重回归学习方案和轻量级双重回归压缩方法,以解决 SR 映射空间极大和模型冗余的问题。
Abstract
deep neural networks have exhibited remarkable performance in image
super-resolution (SR) tasks by learning a mapping from low-resolution (LR)
images to high-resolution (HR) images. However, the SR problem is typically an
ill-posed problem and existing methods would come with several l
使用 “Low-Res Leads the Way”(LWay)训练框架,结合有监督预训练和自监督学习,通过提取低分辨率(LR)图像的降级嵌入,与超分辨输出合并进行 LR 重建,并利用未见过的 LR 图像进行自监督学习,从而提高图像超分辨模型对真实世界图像的适应能力和细节恢复能力,并通过离散小波变换(DWT)进一步改进对高频细节的聚焦,该方法在未见过的真实世界数据集上显著改善了超分辨模型的泛化能力和细节恢复能力,并超越了现有方法,是一种适用于实际图像超分辨应用的通用训练方案。