第一遍:
摘要:现有的SR方法有两个潜在的限制:首先,学习从LR到HR图像的映射函数通常是一个病态问题,因为存在无限个HR图像可以下采样到相同的LR图像;其次,配对的LR-HR数据在现实应用中可能不可用,底层的降解方法通常是未知的。为了解决上述问题,本文提出了一种双重回归方案,通过在LR数据上引入额外的约束来减少可能函数的空间。具体而言你,除了LR到HR的映射之外,还学习了一个额外的双回归映射,估计下采样核并且重构LR图像,形成一个闭环,提供额外的监督。更关键的是双重回归过程不依赖HR图像,可以直接从LR图像中学习。
生成8x图像的效果对比。
双回归训练方案包括一个用于超分辨的原始回归任务,和一个用于将超分图像投影回LR图像的双回归任务,形成一个闭环。
4xSR的结构图,DRN包含一个原始网络和一个双网络(用红线标出)。绿色方框为下采样模块的特征图(左半部分),黄色方框为上采样模块的特征图(右半部分)。在U-Net之后,我们通过快捷连接将相应的浅、深特征映射连接起来。
7.结论:
本文针对成对和未成对数据,提出了一种新的二元回归方案。成对数据通过重构LR图像引入一个额外的约束,减少可能函数的空间。为成对数据,将双重回归方案用于现实数据。
读后总结:提出了一个新的双重回归方案,是一个基于UNet的网络结构,除了LR-》HR的映射还额外学习一个双回归映射,估计下采样核重构LR图像,引入一个额外的约束,形成闭环。
本文来自博客园,作者:键盘侠牧师,转载请注明原文链接:https://www.cnblogs.com/wangzhe52xia/p/16755520.html