ISTA-Inspired Network for Image Super-Resolution

要約

画像の超解像 (SR) のための深層学習は、近年多くの研究者によって研究されています。
ほとんどの作業は、効果的なブロック設計に集中し、ネットワーク表現を改善しますが、解釈が不足しています。
画像 SR 用の反復最適化に着想を得たネットワークもあります。これは、明示的な最適化ステップを与えずに全体としてソリューション ステップを実行します。
この論文では、解釈可能な画像SRのための展開反復収縮閾値アルゴリズム（ISTA）に触発されたネットワークを提案します。
具体的には、画像 SR の問題を分析し、ISTA メソッドに基づくソリューションを提案します。
数学的分析に着想を得たISTAブロックは、エンドツーエンドで最適化を行うために開発されました。
探査をより効果的にするために、マルチスケールの利用ブロックとマルチスケールの注意メカニズムが考案され、ISTA ブロックが構築されます。
実験結果は、提案された ISTA にインスパイアされた復元ネットワーク (ISTAR) が、他の最適化にインスパイアされた作品よりも少ないパラメーターと低い計算複雑さで、競争力のある、または優れたパフォーマンスを達成することを示しています。

要約(オリジナル)

Deep learning for image super-resolution (SR) has been investigated by numerous researchers in recent years. Most of the works concentrate on effective block designs and improve the network representation but lack interpretation. There are also iterative optimization-inspired networks for image SR, which take the solution step as a whole without giving an explicit optimization step. This paper proposes an unfolding iterative shrinkage thresholding algorithm (ISTA) inspired network for interpretable image SR. Specifically, we analyze the problem of image SR and propose a solution based on the ISTA method. Inspired by the mathematical analysis, the ISTA block is developed to conduct the optimization in an end-to-end manner. To make the exploration more effective, a multi-scale exploitation block and multi-scale attention mechanism are devised to build the ISTA block. Experimental results show the proposed ISTA-inspired restoration network (ISTAR) achieves competitive or better performances than other optimization-inspired works with fewer parameters and lower computation complexity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google