H. Zheng
,
M.
,中国科学院昆虫研究所所
长。吉,
H. Wang
,
Y.
柳湖,加
-
地方
基于[31]中MDSR网络的令人印象深刻的性能,我们采用MDSR作为LR图
像特征提取和RefSR合成的子模块
2.2
基于参考的超分辨率
最近的工作,如[2,1,3,32-34]使用来自不同视点的附加参考图像来帮
助超分辨LR输入,这形成了一种新的SR方法,称为RefSR。具体地,
Boominathan et al.[1]使用DSLR捕获的高清晰度图像作为参考,并使用非
局部均值[19]应用基于块的合成算法来超分辨低清晰度光场图像。Wu等
人[34]通过在最近邻搜索之前采用补丁注册来改进这种算法,然后应用
字典学习进行重建。Wang等人[3]迭代了
[1]用于丰富范例数据库。Zheng等人[35]通过频率将图像分解成子带,
并应用补丁匹配以进行高频子带重构。近日,郑某等[2]提出了一种基
于深度学习的跨分辨率补丁匹 配和合 成方法,该方法显著提高了
RefSR的准确性。然而,基于块的合成算法在处理非刚性的图像变
形,这往往是由不规则的前景形状引起的固有能力在这种情况下,基
于块的合成导致诸如块状伪影和模糊效果的问题尽管滑动窗口[1,2]
或迭代精化[3]在一定程度上减轻了这种困难相反,与现有的RefSR方
法相比,我们的全卷积网络可以实现超过100倍的加速,使该模型适
用于实时应用。
2.3
使用
Warping
的
我们的任务也涉及到图像/视频合成任务,使用额外的IM- 年龄从其他
观点或帧。这样的任务包括视图合成[36, 37]、视频去噪[38]、超分辨
率[38-40]、内插或外推[41,42]。为了解决这种类型的问题,基于“war
p i n g and s y n t h e s is”设计的深度神经网络
已经被合理地提出
。
具体
地
,
使用所估计的流
将
之后,扭曲的图像被用于图像/帧合成,该图像/
帧合成在该过程中始终使用
附加
的编辑
。
我 们
发现了这样一个问题,并
在这个问题上取得了一致
。
然而,我们的方法在以下方面与现有的工作
不同
1)代替在像素尺度上对图像域执行扭曲的常见实践[41,42,36,
37],我们的方法在特征域上执行多尺度扭曲,这通过允许在更高尺
度上全局更新流来加速模型收敛2)在变形操作之后,提出了一种新的
用于图像合成的融合方案。我们的融合方案不同于现有的合成实践,
包括图像域早期融合(级联)[41,37]和线性组合图像[42,36]。