基于超级学习的盲人图像超分辨率方法,以不同的退化.
Zhixiong Yang1, Jingyuan Xia1, Shengxi Li2
1College of Electronic Engineering, National University of Defense Technology, Changsha, 410073, China.
概括
本研究介绍了Different Degradations Blind Super-Resolution (DDSR),这是一种无监督的方法,用于增强低分辨率 (LR) 图像的各种现实世界的降解. DDSR提供了一种灵活的,plug-and-play的解决方案,不需要配对的训练数据.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 机器学习 机器学习
背景情况:
- 监督的单图像超分辨率 (SISR) 方法需要配对的训练数据,限制了现实世界的应用.
- 现有的方法与多样化和未知的图像退化作斗争.
研究的目的:
- 开发一种无监督的盲目SISR方法,能够处理各种现实世界的图像退化.
- 为了使高分辨率 (HR) 图像从低分辨率 (LR) 输入与未知的退化恢复.
主要方法:
- 建议使用高斯模拟模糊降解的不同降解盲超分辨率 (DDSR) 方法.
- 采用一个元学习框架与随机内核学习,以有效优化模糊降解.
- 利用模糊降解和图像恢复之间的替代优化来处理多个降解.
主要成果:
- 与公共数据集上最先进的方法相比,DDSR显示出更高的性能.
- 该方法显示了在多种降解中改进的应用灵活性,方便性和泛化能力.
- 实现了与现有方法相比较的内存负载和时间消耗.
结论:
- 在现实场景中,DDSR为盲目SISR提供了强大而灵活的无监督解决方案.
- 插即用实现允许从部分覆盖,噪声和变暗的输入中恢复HR图像.
- 超学习方法有效地解决了各种图像退化挑战.
