本文介绍了一种基于深度学习的图像超分辨率增强方法，利用卷积和反卷积操作进行特征提取与上采样，结合Charbonnier损失函数优化模型训练。该方法能够在放大图像的同时有效减少重构伪影，并支持不同倍数的图像放大。
很抱歉，因为在论文上直接做的笔记，所以有一些多余的部分。下面是我总结的论文要点：
1.使用卷积和反卷积将学习到的残差和上采样滤波特征组合起来，使用这个上采样而不用bicubic有效抑制了重构伪影
2.使用charbonnier损失函数
3.逐步重构hr。放大八倍的同时也可输出放大2倍/4倍等
4.损失函数，将真实hr图bicubic降采样到每层，与每层重构出的?倍放大hr之间做l2损失
5.每个卷积和反卷积后面有一个LReLUs
6卷积之前padding 0保证特征图和每个层输入大小一致
7.滤波器为3*3，虽然感受野小，但是增加网络深度可加深感受野，放大倍数越大网络越深
8仍然通过bicubic获得地分别图像
9.缺点：1）.不能产生幻觉细节，如何lr细节不足的话
2）网络模型太大，参数太大，可以考虑用递归来解决这个问题
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
