要約
近年、深層畳み込みニューラルネットワーク（CNN）は単一画像の超解像（SISR）において前例のない成功を収めています。しかし、既存のCNNベースのSISR手法は、低解像度（LR）画像が高解像度（HR）画像からバイキュービックダウンサンプリングされたものであると仮定しているため、実際の劣化がこの仮定に従わない場合、性能が著しく低下する傾向があります。さらに、これらの手法は複数の劣化に対応する単一モデルを学習するスケーラビリティに欠けています。これらの課題を解決するために、我々は次元伸張戦略を採用した一般的なフレームワークを提案します。これにより、単一の畳み込み超解像ネットワークがSISR劣化プロセスにおける2つの重要な要因、すなわちブラー核とノイズレベルを入力として受け取ることが可能になります。その結果、この超解像器は複数の劣化だけでなく空間的に変動する劣化も処理でき、実用性が大幅に向上します。合成および実際のLR画像に対する広範な実験結果から、提案された畳み込み超解像ネットワークは複数の劣化に対して優れた結果を生み出すだけでなく、計算効率も高いことが示されています。これは実践的なSISRアプリケーションへの非常に効果的でスケーラブルなソリューションを提供しています。