Jenseits des tiefen Residual Learning für Bildrestauration: Persistenzhomologie-gesteuerte Mannigfaltigkeitsvereinfachung

Die neuesten Ansätze des Deep Learnings erzielen bessere Ergebnisse als die derzeit besten Signalverarbeitungsmethoden in verschiedenen Bildrestaurationsaufgaben. Allerdings ist die Leistung dieser Convolutional Neural Networks (CNNs) bei Bildern mit vielen Mustern und Strukturen immer noch unterlegen. Um dieses Problem zu lösen, schlagen wir hier einen neuen Algorithmus für tiefes Residuallernen im Merkmalsraum vor, der die bestehenden Residuallernmethoden übertrifft. Die Hauptidee stammt aus der Beobachtung, dass die Leistung eines Lernalgorithmus verbessert werden kann, wenn die Eingabe- und/oder Ausgabemanigfaltigkeiten durch eine analytische Abbildung in den Merkmalsraum topologisch vereinfacht werden können. Unsere umfangreichen numerischen Studien unter Verwendung von Rauschunterdrückungsversuchen und dem NTIRE-Wettbewerb zur Super-Resolution von Einzelbildern (SISR) zeigen, dass das vorgeschlagene residuale Lernen im Merkmalsraum die derzeit besten Methoden übertrifft. Darüber hinaus belegte unser Algorithmus den dritten Platz beim NTIRE-Wettbewerb und zeigte dabei eine 5- bis 10-mal schnellere Rechenzeit im Vergleich zu den Teams auf den ersten Plätzen. Der Quellcode ist verfügbar unter: https://github.com/iorism/CNN.git