基於CNN的超解析度重建方法
本文介紹幾個較新的基於深度學習的SR方法,包括SRCNN,DRCN, ESPCN,VESPCN和SRGAN等。
1.SRCNNSuper-Resolution Convolutional Neural Network (SRCNN, PAMI 2016, http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html)是較早地提出的做SR的卷積神經網路。該網路結構十分簡單,僅僅用了三個卷積層。該方法對於一個低解析度影象,先使用雙三次(bicubic)插值將其放大到目標大小,再通過三層卷積網路做非線性對映,得到的結果作為高解析度影象輸出。作者將三層卷積的結構解釋成與傳統SR方法對應的三個步驟:影象塊的提取和特徵表示,特徵非線性對映和最終的重建。
三個卷積層使用的卷積核的大小分為為9x9, 1x1和5x5,前兩個的輸出特徵個數分別為64和32. 該文章分別用Timofte資料集(包含91幅影象)和ImageNet大資料集進行訓練。相比於雙三次插值和傳統的稀疏編碼方法,SRCNN得到的高解析度影象更加清晰,下圖是一個放大倍數為3的例子。
對SR的質量進行定量評價常用的兩個指標是PSNR(Peak Signal-to-Noise Ratio)和SSIM(Structure Similarity Index)。這兩個值越高代表重建結果的畫素值和其標準越接近,下圖表明,在不同的放大倍數下,SRCNN都取得比傳統方法好的效果。
與SRCNN類似,該網路分為三個模組,第一個是Embedding network,相當於特徵提取,第二個是Inference network, 相當於特徵的非線性變換,第三個是Reconstruction network,即從特徵影象得到最後的重建結果。其中的Inference network是一個遞迴網路,即資料迴圈地通過該層多次。將這個迴圈進行展開,就等效於使用同一組引數的多個串聯的卷積層,如下圖所示:
3.ESPCN在SRCNN和DRCN中,低解析度影象都是先通過上取樣插值得到與高解析度影象同樣的大小,再作為網路輸入,意味著卷積操作在較高的解析度上進行,相比於在低解析度的影象上計算卷積,會降低效率。 ESPCN(Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network,CVPR 2016, https://github.com/Tetrachrome/subpixel)提出一種在低解析度影象上直接計算卷積得到高解析度影象的高效率方法。
ESPCN的核心概念是亞畫素卷積層(sub-pixel convolutional layer)。如上圖所示,網路的輸入是原始低解析度影象,通過兩個卷積層以後,得到的特徵影象大小與輸入影象一樣,但是特徵通道為(是影象的目標放大倍數)。將每個畫素的個通道重新排列成一個r x r的區域,對應於高解析度影象中的一個r x r大小的子塊,從而大小為 x H x W的特徵影象被重新排列成1 x rH x rW大小的高解析度影象。這個變換雖然被稱作sub-pixel convolution, 但實際上並沒有卷積操作。通過使用sub-pixel convolution, 影象從低解析度到高解析度放大的過程,插值函式被隱含地包含在前面的卷積層中,可以自動學習到。只在最後一層對影象大小做變換,前面的卷積運算由於在低解析度影象上進行,因此效率會較高。
重建效果上,用PSNR指標看來ESPCN比SRCNN要好一些。對於1080HD的視訊影象,做放大四倍的高解析度重建,SRCNN需要0.434s而ESPCN只需要0.029s。
一是糾正相鄰幀的位移偏差,即先通過Motion estimation估計出位移,然後利用位移引數對相鄰幀進行空間變換,將二者對齊。二是把對齊後的相鄰若干幀疊放在一起,當做一個三維資料,在低解析度的三維資料上使用三維卷積,得到的結果大小為。三是利用ESPCN的思想將該卷積結果重新排列得到大小為的高解析度影象。
Motion estimation這個過程可以通過傳統的光流演算法來計算,DeepMind 提出了一個Spatial Transformer Networks, 通過CNN來估計空間變換引數。VESPCN使用了這個方法,並且使用多尺度的Motion estimation:先在比輸入影象低的解析度上得到一個初始變換,再在與輸入影象相同的解析度上得到更較精確的結果,如下圖所示:
從下圖可以看出,使用了Motion Compensation,重建出的高解析度視訊影象更加清晰。
該方法的實驗結果如下
從定量評價結果上來看,PSNR和SSIM這兩個指標評價的是重建結果和金標準在畫素值空間的差異。SRGAN得到的評價值不是較高。但是對於MOS(mean opinion score)的評價顯示,SRGAN生成的高解析度影象看起來更真實。