Deep Model-Based Super-Resolution with Non-uniform Blur

要約

不均一なぼかしを伴う超解像のための最先端の方法を提案します。
単一画像の超解像手法は、ぼやけた、サブサンプリングされた、ノイズの多い測定値から高解像度の画像を復元しようとします。
印象的なパフォーマンスにもかかわらず、既存の手法は通常、均一なブラー カーネルを前提としています。
したがって、これらの手法は、不均一なぼかしのより一般的なケースにはうまく一般化できません。
代わりに、この論文では、空間的に変化するぼかしのより現実的で計算が困難なケースに対処します。
この目的のために、線形化されたADMM分割技術に基づいて、空間的に変化するぼかしで超解像の問題を解決できる、高速で深いプラグアンドプレイアルゴリズムを最初に提案します。
次に、反復アルゴリズムを単一のネットワークに展開し、エンドツーエンドでトレーニングします。
このようにして、最適化スキームに関連するパラメーターを手動で調整する複雑さを克服します。
私たちのアルゴリズムは優れたパフォーマンスを発揮し、単一のトレーニングの後、空間的に変化するブラー カーネル、ノイズ レベル、およびスケール ファクターの大規模なファミリに一般化されます。

要約(オリジナル)

We propose a state-of-the-art method for super-resolution with non-uniform blur. Single-image super-resolution methods seek to restore a high-resolution image from blurred, subsampled, and noisy measurements. Despite their impressive performance, existing techniques usually assume a uniform blur kernel. Hence, these techniques do not generalize well to the more general case of non-uniform blur. Instead, in this paper, we address the more realistic and computationally challenging case of spatially-varying blur. To this end, we first propose a fast deep plug-and-play algorithm, based on linearized ADMM splitting techniques, which can solve the super-resolution problem with spatially-varying blur. Second, we unfold our iterative algorithm into a single network and train it end-to-end. In this way, we overcome the intricacy of manually tuning the parameters involved in the optimization scheme. Our algorithm presents remarkable performance and generalizes well after a single training to a large family of spatially-varying blur kernels, noise levels and scale factors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google