Verbesserte tiefe Residuen-Netzwerke für die Super-Resolution von Einzelbildern

Neuere Forschungen zum Super-Resolution haben mit der Entwicklung tiefer Faltungsneuronaler Netze (Deep Convolutional Neural Networks, DCNN) Fortschritte gemacht. Insbesondere zeigen Residuallernverfahren eine verbesserte Leistung. In dieser Arbeit entwickeln wir ein erweitertes tiefes Super-Resolution-Netzwerk (Enhanced Deep Super-Resolution Network, EDSR), dessen Leistung die der aktuellen Topverfahren für SR übertrifft. Die erhebliche Leistungssteigerung unseres Modells ist auf die Optimierung durch das Entfernen unnötiger Module in konventionellen Residualnetzen zurückzuführen. Die Leistung wird zudem verbessert, indem wir die Modellgröße erweitern und gleichzeitig den Trainingsprozess stabilisieren. Wir schlagen außerdem ein neues mehrskaliges tiefes Super-Resolution-System (Multi-Scale Deep Super-Resolution System, MDSR) und eine Trainingsmethode vor, die in einem einzigen Modell Hochaufgelöste Bilder verschiedener Vergrößerungsfaktoren rekonstruieren kann. Die vorgeschlagenen Methoden erzielen eine überlegene Leistung auf Benchmark-Datensätzen und beweisen ihre Exzellenz durch den Sieg beim NTIRE2017 Super-Resolution Challenge.