Das Lernen eines einzigen konvolutionellen Super-Resolution-Netzes für multiple Degradationen

In den letzten Jahren haben tiefgreifende Faltungsneuronale Netze (CNNs) im Bereich der Super-Resolution von einzelnen Bildern (SISR) unpräzedenziellen Erfolg erzielt. Dennoch gehen die meisten bestehenden CNN-basierten SISR-Methoden davon aus, dass ein niedrigauflösendes (LR) Bild durch bicubische Abtastratenreduktion aus einem hochauflösenden (HR) Bild abgeleitet wird. Dies führt zwangsläufig zu mangelhafter Leistung, wenn das tatsächliche Degradationsverhalten dieser Annahme nicht entspricht. Zudem fehlt es ihnen an Skalierbarkeit beim Lernen eines einzigen Modells zur nicht-blinden Bearbeitung mehrerer Degradationen. Um diese Probleme zu lösen, schlagen wir einen allgemeinen Rahmen mit einer Dimensionsstreckstrategie vor, die es einem einzelnen faltenden Super-Resolution-Netzwerk ermöglicht, zwei wesentliche Faktoren des SISR-Degradationsprozesses, nämlich das Blur-Kernel und den Rauschpegel, als Eingabe zu verwenden. Dadurch kann das Super-Resolution-Netzwerk sowohl mehrere als auch räumlich variierende Degradationen verarbeiten, was die Praktikabilität erheblich steigert. Ausführliche experimentelle Ergebnisse an synthetischen und realen LR-Bildern zeigen, dass das vorgeschlagene faltende Super-Resolution-Netzwerk nicht nur günstige Ergebnisse bei mehreren Degradationen erzielt, sondern auch rechnerisch effizient ist und eine hochwirksame und skalierbare Lösung für praktische SISR-Anwendungen bietet.