Tiefe Laplace-Pyramiden-Netzwerke für schnelle und genaue Super-Resolution

Faltungsschichtneuronale Netze (Convolutional Neural Networks, CNNs) haben kürzlich hohe Qualität bei der Rekonstruktion von Einzelbildern in Super-Auflösung gezeigt. In dieser Arbeit schlagen wir das Laplacian-Pyramid-Super-Auflösungsnetzwerk (LapSRN) vor, um die Subband-Residuen hochauflösender Bilder schrittweise zu rekonstruieren. Bei jedem Pyramidenlevel nimmt unser Modell grob aufgelöste Merkmalskarten als Eingabe, prognostiziert die Hochfrequenzresiduen und verwendet transponierte Faltungen zur Aufskalierung auf das feinere Level. Unser Verfahren erfordert keine bikubische Interpolation als Vorverarbeitungsschritt und reduziert daher die Rechenkomplexität erheblich. Wir trainieren das vorgeschlagene LapSRN unter tiefem Überwachung mit einer robusten Charbonnier-Funktion und erreichen eine hohe Rekonstruktionsqualität. Darüber hinaus generiert unser Netzwerk mehrskalige Vorhersagen in einem einzigen Feedforward-Durchgang durch die schrittweise Rekonstruktion, was ressourcenbewusste Anwendungen erleichtert. Ausführliche quantitative und qualitative Bewertungen an Benchmark-Datensätzen zeigen, dass der vorgeschlagene Algorithmus im Vergleich zu den besten bisher bekannten Methoden in Bezug auf Geschwindigkeit und Genauigkeit günstig abschneidet.