超级会员免费看
本文提出了一种创新的可逆双射变换，针对图像放大和缩小过程中出现的不适定问题，特别是在上采样任务中的挑战。通过IRN（Invertible Rescaling Network），该方法能从丢失的信息中恢复并嵌入到模型参数中，以缓解不适定性。与传统的超分辨率方法不同，该工作聚焦于已知高分辨率图像，利用低分辨率图像来寻找最佳放大结果，尤其关注于处理因降采样导致的高频细节丢失问题。
文章地址：https://arxiv.org/pdf/2005.05650.pdf
代码:https://github.com/pkuxmq/Invertible-Image-Rescaling
相关解读：https://www.msra.cn/zh-cn/news/features/eccv-2020-invertible-image-rescaling
摘要
本文从新的角度对图像的放大和缩小过程进行建模，提出了一种可逆的双射变换来大幅度的解决上采用过程中的不适定问题。
1、Introduction
从解约内存和带宽的角度来引入图像放缩。
上采样任务往往是非单一的映射，从而使得潜在的HR图像很多，所以这也是一个不适定问题。
现有的主流算法都是恢复通过bicubic退化方式所得到的低分辨率图像
受到图像缩放任务可逆性的启发，提出了新的方法，来很大程度上解决了图像放大的不适定问题。
为了解决这个问题，提出了IRN。以分布的形式
订阅专栏 解锁全文
扫一扫
1638
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
