跨尺度耦合的连续比例因子图像超分辨率

目的：虽然深度学习技术已大幅提高了图像超分辨率的性能，但是现有方法大多仅考虑了特定的整数比 例因子,不能灵活地实现连续比例因子的超分辨率。现有方法通常为每个比例因子训练一次模型，导致耗费很长的训练时间和占用过多的模型存储空间。 针对以上问题，本文提出了一种基于跨尺度耦合网络的连续比例因子超分辨率方法。
方法：提出一个用于替代传统上采样层的跨尺度耦合上采样模块,用于实现连续比例因子上采样。 其次，提出一个跨尺度卷积层，可以在多个尺度上并行提取特征，通过动态地激活和聚合不同尺度的特征来挖掘跨 尺度上下文信息,有效提升连续比例因子超分辨率任务的性能。
结果：在3个数据集上与最新的超分辨率方法进行比较,在连续比例因子任务中，相比于性能第 2 的对比算法 Meta-SR( meta super-resolution) ，峰值信噪比提升达 0.13 dB,而参数量减少了 73% 。在整数比例因子任务中，相比于参数量相近的轻量网络 SRFBN( super-resolution feedback network) ，峰值信噪比提升达 0.24 dB。 同时，提出的算法能够生成视觉效果更加逼真、纹理更加清晰的结果。 消融实验证明了所提算法中各个模块的有效性。
结论：本文提出的连续比例因子超分辨率模型，仅需要一次训练，就可以在任意比例因子上获得优秀的超分辨率结果。 此外，跨尺度耦合上采样模块可以用于替代常用的亚像素层或反卷积层，在实现连续比例因子上采样的同时，保持模型性能。

中国图象图形学报