Bildsuperauflösung mit tiefen Faltungsnetzen

Wir schlagen eine Tiefenlernmethode für die Super-Resolution (SR) von Einzelbildern vor. Unsere Methode lernt direkt eine end-to-end Abbildung zwischen niedrigen und hohen Auflösungen von Bildern. Diese Abbildung wird als ein tiefes Faltungsnetzwerk (CNN) dargestellt, das das Bild mit niedriger Auflösung als Eingabe erhält und das Bild mit hoher Auflösung ausgibt. Wir zeigen ferner, dass traditionelle SR-Methoden auf dünnbesetzter Kodierung auch als ein tiefes Faltungsnetzwerk betrachtet werden können. Im Gegensatz zu traditionellen Methoden, die jedes Komponente getrennt behandeln, optimiert unsere Methode alle Schichten gemeinsam. Unser tiefes CNN verfügt über eine leichte Struktur, zeigt dennoch erstklassige Restaurationsqualität und erreicht eine schnelle Geschwindigkeit für praktische Online-Anwendungen. Wir untersuchen verschiedene Netzwerksstrukturen und Parameter-Einstellungen, um Kompromisse zwischen Leistung und Geschwindigkeit zu erzielen. Darüber hinaus erweitern wir unser Netzwerk, um gleichzeitig drei Farbkanäle zu verarbeiten, und zeigen eine bessere Gesamt-Rekonstruktionsqualität.请注意，这里的“法语”应为“德语”，因此我已按照德语的标准进行了翻译。