サブピクセルバックプロジェクションネットワークによる軽量な単一画像超解像

畳み込みニューラルネットワーク（CNN）を用いた手法は、単一画像のスーパーレゾリューション（SISR）において大きな成功を収めてきた。しかし、多数のモデルは再構成精度の向上を図る一方で、モデルパラメータ数の増加を伴っている。この問題に対処するため、本稿では、SISR手法におけるモデルパラメータ数および計算コストの削減を試みつつ、スーパーレゾリューション再構成の精度を維持することを目的とする。そのために、再構成品質と低計算複雑性の間に良好なトレードオフを実現する新たなネットワークアーキテクチャを提案する。具体的には、デコンボリューション層の代わりにサブピクセル畳み込みを用いた反復的バックプロージェクションアーキテクチャを提案する。提示したモデルの計算効率および再構成精度について、広範な定量的・定性的評価を実施した。実験結果から、既存の最先端SISR手法と比較して、本手法はより少ないパラメータ数と低い計算コストで、有名な4つのSRベンチマークデータセットにおいても高い再構成精度を維持できることを示した。コードは以下のURLから公開されている：https://github.com/supratikbanerjee/SubPixel-BackProjection_SuperResolution