Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network

论文链接:https://arxiv.org/abs/2009.06254

本文提出一种针对SISR的可解释的方法,称为模型引导的深度展开网络(MoG-DUN),表现SOTA!性能优于SRFBN、RCAN等网络,作者单位:西安电子科技大学, 西弗吉尼亚大学

基于深度神经网络(DNN)的方法在单图像超分辨率(SISR)中取得了巨大的成功。但是,现有的最先进的SISR技术被设计成缺乏透明性和可解释性的黑匣子。而且,由于黑匣子设计,视觉质量的提高通常是以增加模型复杂性为代价的。在本文中,我们提出并倡导一种针对SISR的可解释的方法,称为模型引导的深度展开网络(MoG-DUN)。为了突破相干性障碍,我们选择使用命名优先的非局部自回归模型建立良好的图像,并将其用于指导我们的DNN设计。通过将深度降噪和非局部正则化集成为深度学习框架中的可训练模块,我们可以将基于模型的SISR的迭代过程展开为具有三个互连模块(去噪,非局部AR和重建)的构建块的多级串联。这三个模块的设计都利用了最新的进步,包括密集/跳过连接以及快速的非局部实现。除了可解释性之外,MoG-DUN准确(产生更少的混叠伪影),计算效率高(具有减少的模型参数)和通用性(能够处理多种降级)。相对于包括RCAN,SRMDNF和SRFBN在内的现有最新图像SR方法,所提出的MoG-DUN方法的优越性已通过对几种流行数据集和各种退化方案的广泛实验得以证实。