轻量级快速学习隐含退化估计网络盲人超级分辨率
概括
这项研究介绍了PL-IDENet,一种轻量级的盲图像超分辨率 (SR) 方法,隐式学习降解内核. 与现有方法相比,它实现了优越的性能,同时使用的计算资源显著减少.
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:
- 盲人图像超分辨率 (SR) 旨在从低分辨率 (LR) 输入的高分辨率 (HR) 图像中恢复未知的退化.
- 现有的方法通常需要明确的降解内核估计,这是具有挑战性和计算密集性的.
- 隐式降解估计器要求较低,但由于缺少内核信息,其性能滞后.
研究的目的:
- 开发一种轻量级盲SR方法,弥合隐式和显式降解估计器之间的性能差距.
- 引入一种新的隐式内核学习方法及其在图像重建中的应用.
- 为了提高盲目SR算法的效率和有效性.
主要方法:
- 一个轻量级的架构隐式地学习了使用新的损失组件的降解内核.
- 一个可学习的维纳波器在里埃域中使用闭式溶液进行解卷.
- 一个降解条件的提示层,灵感来自基于提示的学习,使用估计的内核引导重建.
主要成果:
- 拟议的PL-IDENet模型比最先进的隐式和显式盲SR方法取得了显著的PSNR和SSIM改进.
- 具体来说,与最好的隐式和显式方法相比,它显示了超过0.4dB/1.3%和1.4dB/4.8%的改进.
- 该模型保持了较低的参数和FLOP,比最好的隐式和显式方法分别减少了25%和68%的参数.
结论:
- 通过隐式学习轻量级架构的降解内核,PL-IDENet有效地缩小了盲目SR中的性能差距.
- 新的提示层通过专注于歧视性上下文信息来增强重建.
- 该方法为盲人图像超分辨率提供了计算效率高和高性能解决方案.
