Bildrekonstruktion mithilfe tiefer regulierter Faltungsnetzwerke

Während die Tiefe von Faltungsneuralen Netzen in der Forschung zum tiefen Lernen erhebliche Aufmerksamkeit erregt hat, gewinnt in letzter Zeit auch die Breite dieser Netzwerke zunehmend an Interesse. Die Breite von Netzwerken, definiert als Größe der Empfindlichkeitsfelder und Dichte der Kanäle, hat sich bei niedrigstufigen Vision-Aufgaben wie Bildrauschunterdrückung und -Restaurierung als entscheidend erwiesen. Allerdings schafft die eingeschränkte Generalisierungsfähigkeit infolge der zunehmenden Netzwerkweite ein Engpassphänomen bei der Gestaltung breiterer Netzwerke. In diesem Artikel stellen wir das Deep Regulated Convolutional Network (RC-Net) vor, ein tiefes Netzwerk, das aus durch Sprungverbindungen (skip-connections) verketteten regulierten Unternetzblöcken besteht, um diesen Engpass zu überwinden. Insbesondere zeichnet sich der Regulated Convolution-Block (RC-Block) durch eine Kombination großer und kleiner Faltungsfilter aus und erreicht so ein Gleichgewicht zwischen der Wirksamkeit der Merkmalsextraktion und der Generalisierungsfähigkeit des Netzwerks. RC-Netze weisen mehrere überzeugende Vorteile auf: Sie erfassen vielfältige Merkmale durch die Kombination großer und kleiner Filter, mildern die verschwommenen Ränder und unscharfen Details bei der Bildrauschunterdrückung und Super-Resolution ab und stabilisieren den Lernprozess. Unser vorgeschlagenes RC-Net übertrifft state-of-the-art Ansätze in verschiedenen Aufgaben der Bildrestaurierung mit signifikanten Leistungssteigerungen und zeigt zudem vielversprechende Generalisierungsfähigkeit. Der Quellcode ist unter https://github.com/cswin/RC-Nets verfügbar.