-Zero-Shot-- Super-Resolution using Deep Internal Learning

最新推荐文章于 2025-03-01 21:44:36 发布

Cyiano

最新推荐文章于 2025-03-01 21:44:36 发布

阅读量4.3k

点赞数 3

分类专栏：深度学习

本文链接：https://blog.youkuaiyun.com/Cyiano/article/details/79800816

版权

本文介绍了一种名为“Zero-Shot Super-Resolution”(ZSSR)的方法，该方法利用单个图像内部的信息来实现超分辨率。与传统深度学习方法不同，ZSSR不需要大量LR-HR配对数据，而是通过学习图像自身的内部递归来提升分辨率。实验表明，ZSSR在处理非理想条件下的LR图像时，表现优于现有的最佳监督CNN模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

“Zero-Shot”: Super-Resolution using Deep Internal Learning

简介

以往的深度学习超分辨方法是基于大量的LR-HR数据来训练一个网络的参数，其中生成LR的方法是用诸如MATLAB的imresize函数，这种LR图像被称为 ideal 的。然而实际情况中要超分辨的LR图像往往有是 non-ideal 的：掺杂噪声、未知的降采样核、有aliasing现象等等，如此很难用传统超分辨跑出很好的HR。另外，有一些图像内有的特殊结构不是通过大量数据就能学到的。
作者提出的“Zero-Shot” SR (ZSSR)致力于寻找单张图像内在的信息（exploit the internal recurrence of information within a single image）。在超分辨一张图LR时，对该图再度降采样，学习二者之间的超分辨参数，再用于LR的超分辨。
作者把传统的那些深度学习超分辨方法叫做 SotA supervised CNNs。虽然ZSSR是在test的同时训练的，但是因为网络结构小，因此和SotA supervised CNNs相比test的时间相差不多。
ZSSR的理论基础是：自然图像有很强的的internal data repetition。单张图片内的patch的internal entropy要比自然图像集合的patch的external entropy小很多（尚不明白entropy代表什么）。