DCS-RISR:为高效的现实世界图像超分辨率提供动态通道分割

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 现实世界的超分辨率图像 (RISR) 旨在在复杂,未知的退化下提高图像质量.
• 目前的RISR方法通常使用重型模型,限制了对资源有限的设备的部署.

研究的目的:

• 提出适用于资源有限的设备的现实世界图像超分辨率 (RISR) 的高效方案.
• 开发一种平衡计算成本,参数数量和图像质量指标的方法.

主要方法:

• 引入了一个动态通道分割 (DCS) 方案,以实现高效的RISR,称为DCS-RISR.
• 开发了一个光降解预测网络来模拟现实世界的降解,并生成一个通道分割向量.
• 提出了一个可学习的八度卷积块,以适应性地管理不同频率特征的频道分割尺度.
• 整合非本地规范化,通过利用来自低分辨率 (LR) 和高分辨率 (HR) 子空间的补丁信息来提高性能.

主要成果:

• DCS-RISR在计算成本/参数和性能指标 (PSNR/SSIM) 之间实现了卓越的权衡.
• 该方法有效地处理各种降解级别的真实世界图像.
• 对基准数据集的实验验验证了拟议的DCS-RISR方法的有效性和效率.

结论:

• DCS-RISR为现实世界的超高分辨率图像提供了一种高效的解决方案.
• 拟议的动态通道分割和自适应卷积显著减少计算开销和内存使用.
• 这项工作可以在资源有限的平台上实际部署高质量的超分辨率图像.