ZSSR
1 贡献
zero-shot SR---基于特定图像训练的CNN
1 第一个无监督的CNN-base SR方法
2 在测试时仅根据输入的低分辨率图像本身提取的实列,训练特定于图像的小型CNN
利用图像内的多尺度重复信息
3 计算资源少,计算速度快
2 其他文章的有用信息
4 这篇文章显示,通过图片内部的fractal-like(分型相似),证明了图片内部一些相似的patch(不同size),对图片的预测,有强大的作用:称之为 internal predictive-power
23 这篇文章,更是表明 单张图片内部pathch的视觉熵低于自然图片集合的外部熵:极对图像内部数据的统计学习,比对外部数据的学习,有更好的 的预测能力,在应对不确定的图像或者退化的图像方便
3 image-specific CNN VS externally trained network
image-specific CNN
思想:测试图像I,想要获得HR:$I_{HR}$
1 先将I降尺度到不同的(I0,I1,I2,I3,I4....)得到有一组HR,然后按照s尺度,得到一组更低分辨率的$I_{LR}$,然后通过图像增强(旋转,翻转)之类的,得到一组LR-HR的训练集,然后数据CNN训练,找到LR-HR之间的 内在关系。
2 将要测试的图像I输出CNN得到$I_{HR}$
externally trained network
1 基于外部的大量数据集HR,降采样得到LR,得到LR-HR对应关系,然后开始训练CNN
2 使用CNN去预测不同的图片
4 ZSSR网络结构和训练参数
既然不需要大量的训练数据,也就不需要太复杂的网络结构,ZSSR只包含8个隐藏层,每个隐藏层包含64个通道,使用ReLU作为激活函数。
训练过程中使用Adam优化算法,初始学习率选择为0.001,并使用L1损失。
5 论文总结
(1)第一个超分领域的非预训练方法,训练加测试每张图片的平均时间为54秒(K80 GPU)。
(2)ZSSR方法在非理想情况下,效果优于VDSR ,EDSR+ 。在理想情况下,效果优于SRCNN,SelfExSR,但是相比VDSR ,EDSR+,效果要差点。