要約
超解像畳み込みニューラルネットワークは最近、単一画像の高品質な復元を示しています。しかし、既存のアルゴリズムはしばしば非常に深いアーキテクチャと長い学習時間を必要とします。さらに、現在の超解像用畳み込みニューラルネットワークは、複数スケールでの特徴量を同等に活用することができず、その学習能力が制限されています。本稿では、コンパクトで精度の高い超解像アルゴリズムである「Densely Residual Laplacian Network（DRLN）」を提案します。提案されたネットワークは、残差構造上での連続的な残差を使用することで、低周波情報の流れを高周波および中間レベルの特徴量の学習に集中させます。また、深層監督は密接に連結された残差ブロック設定を通じて達成され、これにより高次元の複雑な特徴量からの学習が助けられます。さらに、ラプラシアン注意機構（Laplacian attention）を提案し、特徴マップ間の相互および内部レベルの依存関係を学習するために重要な特徴量をモデル化します。さらに、低解像度、ノイジーな低解像度、および実際の歴史的画像ベンチマークデータセットにおける包括的な定量的および定性的評価により、我々のDRLNアルゴリズムが視覚的にも精度でも最先端手法に対して有利に働くことが示されています。