粗到精细的CNN用于图像超分辨率(CFSRCNN)由田春伟,徐勇,左望猛,张伯明,费伦克和林嘉雯主持,并由IEEE Transactions on Multimedia于2020年实施。由Pytorch。这项工作是由52CV在报告的。 本文利用高频和低频特征来增强图像超分辨率模型的稳定性。 抽象 深度卷积神经网络(CNN)已在图像超分辨率(SR)中得到广泛采用。但是,用于SR的深层CNN经常会受到训练不稳定的影响,从而导致图像SR性能较差。收集补充的上下文信息可以有效地解决该问题。沿着这条线,我们提出了从粗到细的SRCNN(CFSRCNN),以从其低分辨率版本中恢复高分辨率(HR)图像。提出的CFSRCNN由一堆特征提取块(FEB),一个增强块(EB),一个构造块(CB)和一个用于学习鲁棒SR模型的特征细化块(FRB)组成。具体来说,FEB堆栈学习长路径和短路径特征,然后通过将较浅的层的影