Adaptive Convolutional Neural Network for Image Super-resolution

要約

畳み込みニューラル ネットワークは、ディープ ネットワーク アーキテクチャと指定された入力サンプルを介して特徴を自動的に学習できます。
ただし、取得されたモデルの堅牢性は、さまざまなシーンで課題に直面する可能性があります。
ネットワーク アーキテクチャの差異が大きいほど、より多様な構造情報を抽出し、得られる超解像モデルの堅牢性を強化することができます。
本稿では、画像超解像のための適応畳み込みニューラル ネットワーク (ADSRNet) を提案しました。
より多くの情報を取得するために、ADSRNet は異種並列ネットワークによって実装されています。
上位ネットワークは、コンテキスト情報の関係、カーネルマッピングの顕著な情報の関係、および浅い層と深い層の関係を強化して、画像の超解像のパフォーマンスを向上させることができます。
これにより、得られた超解像モデルのさまざまなシーンへの適応性を強化することができる。
下位ネットワークは対称アーキテクチャを利用して、さまざまなレイヤーの関係を強化し、より多くの構造情報をマイニングします。これは、画像の超解像度のために上位ネットワークを補完します。
関連する実験結果は、提案された ADSRNet が画像解像度に対処するのに効果的であることを示しています。
コードは https://github.com/hellloxiaotian/ADSRNet で入手できます。

要約(オリジナル)

Convolutional neural networks can automatically learn features via deep network architectures and given input samples. However, the robustness of obtained models may face challenges in varying scenes. Bigger differences in network architecture are beneficial to extract more diversified structural information to strengthen the robustness of an obtained super-resolution model. In this paper, we proposed a adaptive convolutional neural network for image super-resolution (ADSRNet). To capture more information, ADSRNet is implemented by a heterogeneous parallel network. The upper network can enhance relation of context information, salient information relation of a kernel mapping and relations of shallow and deep layers to improve performance of image super-resolution. That can strengthen adaptability of an obtained super-resolution model for different scenes. The lower network utilizes a symmetric architecture to enhance relations of different layers to mine more structural information, which is complementary with a upper network for image super-resolution. The relevant experimental results show that the proposed ADSRNet is effective to deal with image resolving. Codes are obtained at https://github.com/hellloxiaotian/ADSRNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google