• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International conference on neural information processing;Annual conference of Asia-Pacific Neural Network Society >Super-Resolution Network for General Static Degradation Model
【24h】

Super-Resolution Network for General Static Degradation Model

机译：通用静态退化模型的超分辨率网络

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Recent research on single image super-resolution (SISR) has made some progress. However, most previous SISR methods simply assume that a low-resolution (LR) image is bicubicly downsampled from a high-resolution (HR) image. when the LR images don't, follow this assumption, these previous methods will generate poor HR images that still retain the blur and noise information. To solve this problem, we propose the super-resolution network for general static degradation model (SR-GSD). Specifically, we propose degradation factors proposal Network (DFPN) which can automatically identify blur kernel and noise level, and furthermore, we utilize predicted degradation factors and the LR images to reconstruct the HR images in a high-resolution reconstruction network (HRN). Moreover, to simplify the training process, we unify the two-stages steps into a neural network and jointly optimize it through a multi-task loss function. Extensive experiments show that our SR-GSD can achieve satisfactory results on the general static degradation model.
机译：最近对单图像超分辨率（SISR）的研究取得了一些进展。但是，大多数以前的SISR方法只是假设从高分辨率（HR）图像中三次三次对低分辨率（LR）图像进行了下采样。如果LR图像没有，则遵循此假设，这些先前的方法将生成质量较差的HR图像，这些图像仍保留模糊和噪点信息。为了解决这个问题，我们提出了用于一般静态退化模型（SR-GSD）的超分辨率网络。具体来说，我们提出了退化因子建议网络（DFPN），该网络可以自动识别模糊内核和噪声水平，此外，我们利用预测的退化因子和LR图像在高分辨率重建网络（HRN）中重建HR图像。此外，为了简化训练过程，我们将两个步骤的步骤统一到一个神经网络中，并通过多任务损失函数共同对其进行优化。大量的实验表明，我们的SR-GSD在一般的静态退化模型上可以取得令人满意的结果。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号