ゲーテッド多重フィードバックネットワークによる画像超解像

深層学習（DL）の急速な発展により、単一画像の超解像（SR）技術は新たな時代に入りました。しかし、既存のDLを基にした画像SRネットワークの多くでは、情報フローが単純に前向きであり、高レベル特徴量が十分に活用されていません。本論文では、低レベル特徴量の表現を効率的に豊かにするために、複数の高レベル特徴量を再ルーティングするゲーテッドマルチフィードバックネットワーク（GMFN）を提案します。GMFNでは、複数の残差密集ブロック（RDBs）を連続させ、時間軸上で繰り返し展開します。提案されたGMFNにおける2つの隣接する時間ステップ間の複数フィードバック接続は、大受容器領域で捉えられた複数の高レベル特徴量を使用して、コンテキスト情報が不足している低レベル特徴量を精緻化します。巧妙に設計されたゲーテッドフィードバックモジュール（GFM）は、複数再ルーティングされた高レベル特徴量から有用な情報を効率的に選択し、さらに強化することで低レベル特徴量を精緻化します。広範な実験結果は、提案したGMFNが最新のSR手法と比較して定量的な指標と視覚的品質において優れていることを示しています。コードは https://github.com/liqilei/GMFN で公開されています。