Gemeinsames Lernen von Blind Super-Resolution und Risssegmentierung für realistisch degradeierte Bilder

Diese Arbeit stellt eine Risssegmentierung vor, die durch Super-Resolution (SR) mit tiefen neuronalen Netzen ergänzt wird. Im vorgeschlagenen Ansatz wird ein SR-Netzwerk gemeinsam mit einem binären Segmentierungsnetzwerk end-to-end trainiert. Diese gemeinsame Lernstrategie ermöglicht es dem SR-Netzwerk, gezielt darauf optimiert zu werden, die Segmentierungsergebnisse zu verbessern. Für realistische Anwendungsszenarien wird das SR-Netzwerk von nicht-blind auf blind erweitert, um Low-Resolution-Bilder zu verarbeiten, die durch unbekannte Verschmierungen beeinträchtigt sind. Die Leistung des gemeinsamen Netzwerks wird durch zwei von uns vorgeschlagene zusätzliche Pfade weiter verbessert, die eine gegenseitige Optimierung zwischen SR und Segmentierung zusätzlich fördern. Vergleichende Experimente mit aktuellen State-of-the-Art (SoTA)-Segmentierungsverfahren belegen die Überlegenheit unseres gemeinsamen Lernansatzes, während verschiedene Ablationsstudien die Wirkung unserer Beiträge nachweisen.