Summary
這篇文章的創新點在於提出了Meta-Upscale Module這個模塊,實現了任意尺寸的放大(當然這篇論文做的主要是x1-x4的倍數),核心思想是HR和LR圖片之間實際上是一個縮放關係,有一個縮放因子r。LR的像素通過一組濾波器權重可以映射到SR上,所以找到SR圖片和LR圖片的像素映射,訓練出濾波器權重。
ISR(i,j)=Φ(FLR(i′,j′),w(i,j))(1)
因爲r的大小可以認爲任意選擇,也就實現了任意尺度的縮放。
Architecture
網絡實際上分位兩部分:特徵提取+放大。
特徵提取如圖,堆疊三個RDB模塊。
第二部分則是重點,這個模塊可以看作是LR圖像到HR圖像的映射模塊。
Meta-Upscale 模塊有三個重要的函數,即 Location Projection、Weight Prediction、Feature Mapping。
- Location Projection 把像素投射到 LR 圖像上,即找到與像素(i, j)對應的像素(i′, j′)。作者認爲像素(i, j)的值是由像素(i′, j′)的特徵所決定.
(i′,j′)=T(i,j)=(⌊ri⌋,⌊rj⌋)(2)
- WeightPrediction 模塊爲 SR 圖像上每個像素預測 對應濾波器的權重
W(i,j)=φ(vij;θ)(3)
其中 vij 是與i,j相關聯的向量,也是權重預測網絡的輸
vij=(ri−⌊ri⌋,rj−⌊rj⌋)(4)
vij=(ri−⌊ri⌋,rj−⌊rj⌋,r1)(5)
- Feature Mapping 函數利用預測得到的權重將 LR 圖像的特徵映射回 SR 圖像空間以計算其像素值。
Φ(FLR(i′,j′),W(i,j))=FLR(i′,j′)W(i,j)(6)