Enhanced Deep Residual Networks for Single Image Super-Resolution

最新推荐文章于 2025-04-09 15:54:42 发布

原创

最新推荐文章于 2025-04-09 15:54:42 发布

· 4.7k 阅读

14 ·

版权

文章标签：

#论文综述 #超分辨率重建

本文探讨了深度残差网络在单图像超分辨率中的优化，指出模型初始化和训练技术对性能的影响，以及现有算法对不同尺度处理的独立性。通过简化网络架构、优化损失函数和模型修改，提出一种新的多尺度架构，该架构在减少参数量的同时提高性能。此外，通过预训练低尺度模型来训练大尺度模型，利用尺度间的相关性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Enhanced Deep Residual Networks for Single Image Super-Resolution

用于单一图像超分辨率的增强型深度残差网络

论文摘要

近期关于超分辨率（super-resolution）的研究已经随着深度卷积神经网络（DCNN）的发展而进步了。残差学习的方法（residual learning ）尤其能展现出其性能表现的提升。在本篇论文中，我们研发了一种增强型深度超分辨率网络（enhanced deep super-resolution network —— EDSR），其性能表现超越了那些当前最新型的 SR 方法。我们的模型之所以有显著的性能提升是因为我们在优化时去除了传统残差网络中的不必要模块。另一个原因就是，在使训练过程保持稳定的情况下，我们扩展了模型的规模。我们也提出了一种新型的多尺度深度超分辨率系统（multi-scale deep super-resolution system —— MDSR）和训练方法，它可以在一个单一模型中，对升规模因子（upscaling factors）不同的超分辨率图像进行重构。这种方法在基准数据集中展现了超过当前一流方法的优越性能，并且通过赢得 NTIRE2017 超分辨率挑战赛证明了它的卓越性。

论文介绍

图像超分辨率（SR）问题，尤其是单一图像超分辨率（SISR）问题，在近几十年中已经受到了广泛的研究关注。 SISR 问题旨在从一个单一低分辨率图像中重构出一个高分辨率图像。通常情况下，低分辨率图像和原始的高分辨率图像可根据情境而产生变化。很多研究都假设低分辨率图像是高分辨率图像的降采样结果。最近，深度神经网络在 SR 问题中的峰值信噪比（PSNR）方面带来了很大的性能提升。然而，这种网络也在结构最优化原则（architecture optimality）中暴露了其局限性。

首先，神经网络模型的重构性能对小型架构的变化敏感。同样的模型通过不同的初始化和训练技术会有不同的性能水平。因此，需要精心设计的模型架构和复杂的优化方法来训练神经网络。