超分辨率——Meta-SR: A Magnification-Arbitrary Network for Super-Resolution

最新推荐文章于 2022-03-11 17:14:56 发布

跑酷托托

最新推荐文章于 2022-03-11 17:14:56 发布

阅读量709

点赞数 1

CC 4.0 BY-SA版权

分类专栏：超分辨率

本文链接：https://blog.youkuaiyun.com/qq_29257201/article/details/98376397

超分辨率专栏收录该内容

7 篇文章

订阅专栏

本文介绍了一种名为Meta-SR的技术，它允许使用单一模型处理任意尺度因子的图像超分辨率任务，避免了传统方法中需为每个尺度因子单独训练模型的问题。Meta-SR由特征提取和重建两部分组成，其中重建部分通过LocationProjection、WeightPrediction和FeatureMapping三个步骤实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

2019 CVPR University of Science and Technology of China

这篇文章，作者针对 以往的文章，都是针对于不同的scale factor，需要训练出一个不同的模型，因此作者提出Meta-SR，这种方法，是不同的scale factor只需要训练出一个模型。这篇优秀的文章，需要把论文小标题理一下：

Abstract
Introduction
Related Work
1. Single Image Super Resolution
2. Meta-Learning
Our Approach
1. Meta-Upscale Formulation
  1. Location Projection
  2. Weight Prediction
  3. Feature Mapping
2. Architecture Details of Meta-SR
Experiments
1. Datasets and Metrics
2. Training Details
3. Single Model For Arbitrary Scale Factor
4. The Inference Time
5. Comparision With The SOTA Methods
6. Visual Results
Conclusion

Method

在这里插入图片描述
从图上可以看出，论文的结构包括两部分：
特征提取部分：这部分利用 长短连接就完事啦
重建部分：通过 学习型卷积核实现

我们来看看重建部分，这部分有三步组成： Location Projection、Weight Prediction、Feature Mapping。
Location Projection：找出 SR与LR之间的对应像素
在这里插入图片描述
Weight Prediction：
针对SR图像中的每个像素点，学习出一个卷积核，这个核的输入为， $v_{ij}$ 向量，从结构图中可以详细了解：

Feature Mapping：对应图像点乘即可

Experiments

实验部分值得借鉴，作者这里由于之前没有同一个模型应用到不同 scale factor的方法，因此作者，在这里和 Residual
dense network for image super-resolution进行比较，作者针对不同scale factor 训练一个模型，但是不同scale factor会有微调，RDN不同scale factor 训练出一个模型。

2019/8/3