圖像超分辨率(SR)研究已經(jīng)利用深度學(xué)習(xí)技術(shù)取得了重大進(jìn)展,,本文旨在系統(tǒng)性地綜述這些進(jìn)展。作者將 SR 研究分為三大類:監(jiān)督 SR、無監(jiān)督 SR 以及特定領(lǐng)域的 SR。此外,本文還介紹了這一領(lǐng)域常用的公共開源基準(zhǔn)數(shù)據(jù)集和性能評估指標(biāo),,并指出了未來的幾個方向以及一些待解決的問題,。
圖像超分辨率(SR)是指從低分辨率(LR)圖像中恢復(fù)高分辨率(HR)圖像的過程,是計算機(jī)視覺和圖像處理中一種重要的圖像處理技術(shù),。它在現(xiàn)實(shí)世界中有著廣泛的應(yīng)用,,如醫(yī)學(xué)成像、監(jiān)控和安全等,。除了改善圖像的感知質(zhì)量,,它還有助于改善其它計算機(jī)視覺任務(wù)??偟膩碚f,,由于單個 LR 圖像通常對應(yīng)多個 HR 圖像,因此這個問題比較具有挑戰(zhàn)性,。以往的文獻(xiàn)中提到了多種經(jīng)典的 SR 方法,,包括基于預(yù)測的方法、基于邊緣的方法,、統(tǒng)計方法,、基于 patch 的方法和稀疏表征方法等。
隨著近年來深度學(xué)習(xí)技術(shù)的快速發(fā)展,,研究人員積極地探索基于深度學(xué)習(xí)的 SR 模型,,且該模型經(jīng)常在各種 SR 基準(zhǔn)測試上達(dá)到當(dāng)前最佳水平。各種深度學(xué)習(xí)方法被用來解決 SR 問題,,包括早期基于卷積神經(jīng)網(wǎng)絡(luò)的方法和近期使用生成對抗網(wǎng)絡(luò)的 SR 方法,。一般來說,使用深度學(xué)習(xí)技術(shù)的 SR 算法在以下主要方面有所不同:不同的網(wǎng)絡(luò)架構(gòu),、不同的損失函數(shù),、不同的學(xué)習(xí)原則和策略等。
本文全面綜述了圖像超分辨率使用深度學(xué)習(xí)所取得的最新進(jìn)展,。雖然目前已有的文獻(xiàn)中有對超分辨率的概述,,但本文的概括有所不同:本文的重點(diǎn)在于基于深度學(xué)習(xí)的 SR 技術(shù),而早期的概述重點(diǎn)在于傳統(tǒng)的 SR 算法,,或者有些概述是基于完全參考指標(biāo)或人類視覺感知來提供定量評估,。與現(xiàn)有的概述不同,本文以系統(tǒng)和全面的方式采取了一種基于深度學(xué)習(xí)的獨(dú)特視角來回顧 SR 技術(shù)的最新進(jìn)展,。
本文主要貢獻(xiàn)如下:
全面回顧了基于深度學(xué)習(xí)的圖像超分辨率技術(shù),,包括問題設(shè)置、基準(zhǔn)數(shù)據(jù)集,、性能度量,、一系列基于深度學(xué)習(xí)的 SR 方法、特定領(lǐng)域的 SR 應(yīng)用等,。
以分層和結(jié)構(gòu)化的方式系統(tǒng)回顧了基于深度學(xué)習(xí)的 SR 技術(shù)的最新進(jìn)展,,總結(jié)了有效 SR 方案每個部分的優(yōu)勢和局限性。
討論了當(dāng)前的挑戰(zhàn)和開放性問題,,確認(rèn)了新的發(fā)展趨勢和未來方向,,為該社區(qū)提供了見解和指導(dǎo)。
接下來本文將描述基于深度學(xué)習(xí)的圖像超分辨率最新進(jìn)展的各個方面,。圖 1 以分級結(jié)構(gòu)的方式列出了本文的概況,。第二部分討論了問題定義并回顧了主流的數(shù)據(jù)集和評估指標(biāo)。第三部分模塊化地分析了監(jiān)督超分辨率的主要組成部分,。第四部分簡要介紹了無監(jiān)督超分辨率方法,。第五部分介紹了特定領(lǐng)域流行的一些 SR 應(yīng)用,第六部分討論了 SR 技術(shù)的未來發(fā)展方向和開放性問題,。
圖 1:本綜述的結(jié)構(gòu)圖
論文:Deep Learning for Image Super-resolution: A Survey
論文地址:https://arxiv.org/abs/1902.06068
摘要:圖像超分辨率(SR)是計算機(jī)視覺中增強(qiáng)圖像和視頻分辨率的一類重要圖像處理技術(shù),。近幾年來,圖像超分辨率研究已經(jīng)利用深度學(xué)習(xí)技術(shù)取得了重大進(jìn)展,。文本旨在系統(tǒng)性綜述圖像超分辨率技術(shù)利用深度學(xué)習(xí)技術(shù)所取得的最新進(jìn)展,。總體來看,,現(xiàn)有的 SR 技術(shù)研究大體可以分為三大類:監(jiān)督 SR,、無監(jiān)督 SR 以及特定領(lǐng)域的 SR。除此之外,,本文還介紹了其他一些重要內(nèi)容,,如公共開源基準(zhǔn)數(shù)據(jù)集和性能評估指標(biāo)。最后,,本文還指出了未來的幾個方向以及一些待解決的問題,。
超分辨率研究數(shù)據(jù)集
目前有很多用于圖像超分辨率研究的數(shù)據(jù)集,它們在圖像數(shù)量,、質(zhì)量,、分辨率、多樣性等方面存在很大的差異,。其中一些數(shù)據(jù)集提供 LR-HR 圖像對,,而有些僅提供 HR 圖像,其中的 LR 圖像通常由 MATLAB 中默認(rèn)設(shè)置的 imresize 函數(shù)獲得,。表 1 列出了 SR 社區(qū)常用的一些圖像數(shù)據(jù)集,,詳細(xì)地寫明了其包含的 HR 圖像數(shù)量、平均分辨率,、像素平均數(shù),、圖像格式和分類關(guān)鍵詞等。
表 1:用于超分辨率基準(zhǔn)的公共圖像數(shù)據(jù)集
監(jiān)督超分辨率
已有研究人員提出了很多利用深度學(xué)習(xí)的超分辨率模型,。這些模型主要關(guān)注監(jiān)督超分辨率,,即同時利用 LR 圖像和相對應(yīng)的 ground truth HR 圖像進(jìn)行訓(xùn)練,。盡管這些模型之間的差別非常大,但它們本質(zhì)上是一套組件的組合,,如模型框架,、上采樣方法、網(wǎng)絡(luò)設(shè)計,、學(xué)習(xí)策略等,。從這個角度來看,研究人員組合了這些組件來構(gòu)建一個整合的 SR 模型,,以實(shí)現(xiàn)特定目的,。本章將著重對基本組件進(jìn)行模塊化分析(見圖 1),而不是單獨(dú)介紹每個模型并總結(jié)它們的優(yōu)缺點(diǎn),。
圖 2:基于深度學(xué)習(xí)的超分辨率模型框架,。這些四邊形顯示了上/下采樣運(yùn)算(取決于它們的方向)?;疑倪呅伪硎绢A(yù)定義的上采樣運(yùn)算,,綠色和黃色四邊形分別表示可學(xué)習(xí)的上采樣或下采樣層。藍(lán)色框表示卷積層,,虛線框內(nèi)的部分表示可以堆疊在框架內(nèi)的模塊,。
圖 3:網(wǎng)絡(luò)設(shè)計策略
無監(jiān)督超分辨率
現(xiàn)有的超分辨率研究重點(diǎn)是監(jiān)督學(xué)習(xí),即利用 LR-HR 圖像對學(xué)習(xí) LR 到 HR 圖像的映射,。然而,,由于獲取同一個場景的不同分辨率圖像難度較大,SR 數(shù)據(jù)集中的 LR 圖像往往是通過對 HR 圖像進(jìn)行預(yù)定義的降級來獲得的,。因此,,在這些數(shù)據(jù)集上訓(xùn)練的 SR 模型更有可能學(xué)習(xí)預(yù)定義降級的可逆流程。為了避免預(yù)定義降級帶來的不良影響,,研究人員越來越關(guān)注無監(jiān)督超分辨率,,用于訓(xùn)練的圖像只有 HR 或 LR 的非配對圖像,因此得到的模型更擅長解決實(shí)際應(yīng)用中的 SR 問題,。
特定領(lǐng)域的應(yīng)用
1,、深度圖超分辨率
深度圖記錄了場景中視點(diǎn)和目標(biāo)之間的距離,深度信息在姿態(tài)估計 [150], [151], [152],、語義分割 [153], [154] 等許多任務(wù)中發(fā)揮著重要作用,。然而,由于生產(chǎn)力和成本方面的限制,,由深度傳感器生成的深度圖通常分辨率較低,,并飽受噪聲、量化、缺失值等方面的降級影響,。為了提高深度圖的空間分辨率,,研究人員引入了超分辨率。
2,、人臉圖像超分辨率
人臉圖像超分辨率(又名 face hallucination,,F(xiàn)H)通常有助于完成其它與人臉相關(guān)的任務(wù) [6], [72], [73], [162]。與一般圖像相比,,人臉圖像擁有更多與人臉相關(guān)的結(jié)構(gòu)化信息,因此將人臉先驗(yàn)知識整合到 FH 中是一種非常流行且頗有前景的方法,。
3,、超光譜圖像超分辨率
與全色圖像(panchromatic image,PAN)相比,,超光譜圖像(HSI)包含數(shù)百個波段的高光譜圖像,,能夠提供豐富的光譜特征,幫助完成許多視覺任務(wù) [174], [175], [176], [177],。然而,,由于硬件限制,不僅是搜集高質(zhì)量 HSI 比搜集 PAN 難度更大,,搜集到的 HSI 分辨率也要更低,。因此,該領(lǐng)域引入了超分辨率,,研究人員往往將 HR PAN 與 LR HSI 相結(jié)合來預(yù)測 HR HSI,。
4、視頻超分辨率
在視頻超分辨率中,,多個幀可以提供更多的場景信息,,該領(lǐng)域不僅有幀內(nèi)空間依賴,還有幀間時間依賴(如運(yùn)動,、亮度和顏色變化),。因此,現(xiàn)有研究主要關(guān)注更好地利用時空依賴,,包括明確的運(yùn)動補(bǔ)償(如光流算法,、基于學(xué)習(xí)的方法)和循環(huán)方法等。
5,、其它應(yīng)用
基于深度學(xué)習(xí)的超分辨率也被應(yīng)用到其它特定領(lǐng)域的應(yīng)用中,,而且表現(xiàn)出色。尤其是,,RACNN[197] 利用 SR 模型增強(qiáng)了用于細(xì)粒度分類的 LR 圖像細(xì)節(jié)的可辨性,。類似地,感知 GAN[198] 通過超分辨小目標(biāo)的表征解決了小目標(biāo)檢測問題,,實(shí)現(xiàn)了與大目標(biāo)相似的特征,,檢測更具可辨性,。FSR-GAN[199] 超分辨化了特征空間而非像素空間中的小圖像,將質(zhì)量較差的原始特征轉(zhuǎn)換成了可辨性更高的特征,,這對圖像檢索非常有利,。此外,Dai 等人 [7] 驗(yàn)證了 SR 技術(shù)在若干視覺應(yīng)用中的有效性和有用性,,包括邊緣檢測,、語義分割、數(shù)字和場景識別,。Huang 等人 [200] 開發(fā)了專門用于超分辨率遙感圖像的 RS-DRL,。Jeon 等人 [201] 利用立體圖像中的視差先驗(yàn)來重建配準(zhǔn)中具有亞像素準(zhǔn)確率的 HR 圖像。
總結(jié)當(dāng)下,,放眼未來
1,、網(wǎng)絡(luò)設(shè)計
良好的網(wǎng)絡(luò)設(shè)計不僅決定了具有很高性能上限的假設(shè)空間,還有助于在沒有過多空間和計算冗余的情況下高效地學(xué)習(xí)數(shù)據(jù)表征,。下面我們將介紹一些有前景的網(wǎng)絡(luò)改進(jìn)方向:
結(jié)合局部信息和全局信息
結(jié)合低級和高級信息
針對特定上下文的注意力
輕量級架構(gòu)
上采樣層
2,、學(xué)習(xí)策略
除了良好的假設(shè)空間,魯棒的學(xué)習(xí)策略也是實(shí)現(xiàn)令人滿意的結(jié)果所必需的,。下面我們將介紹一些不錯的學(xué)習(xí)策略,。
損失函數(shù)。現(xiàn)有的損失函數(shù)可視作在 LR/HR/SR 圖像之間建立約束,,并根據(jù)這些約束是否得到滿足來指導(dǎo)優(yōu)化,。實(shí)際上,這些損失函數(shù)通常是加權(quán)組合的,,對 SR 來說最佳的損失函數(shù)仍然未明,。因此,最有前景的方向之一是探索這些圖像之間的潛在關(guān)聯(lián)并尋求更精確的損失函數(shù),。
歸一化,。雖然 BN 被廣泛用于視覺任務(wù)中,大大加快了訓(xùn)練并提高了模型性能,,但它對于超分辨率技術(shù)來說仍是次優(yōu)策略,。因此需要研究其它有效的 SR 歸一化技術(shù)。
3,、評估指標(biāo)
評估指標(biāo)是機(jī)器學(xué)習(xí)最基本的組成部分之一,。如果指標(biāo)不能準(zhǔn)確測量模型性能,研究者就很難驗(yàn)證其進(jìn)步,。超分辨率圖像的評估指標(biāo)同樣面臨這樣的挑戰(zhàn),,因此需要進(jìn)行更多的探索。
更精確的指標(biāo)。超分辨率圖像中使用最廣泛的指標(biāo)是 PSNR 和 SSIM,。然而,,PSNR 往往會導(dǎo)致過度平滑,且結(jié)果在幾乎無法區(qū)分的圖像之間差異很大,。SSIM 在亮度,、對比度和結(jié)構(gòu)方面進(jìn)行評估,但仍然無法準(zhǔn)確測量圖像的感知質(zhì)量,。此外,,MOS 最接近人類視覺反應(yīng),但需要大量人力和精力,,且不可復(fù)制,。因此,迫切需要更精確的指標(biāo)來評估重建圖像的質(zhì)量,。
盲 IQA 方法。如今,,用于 SR 的大多數(shù)指標(biāo)都是完全參考(all-reference)方法,,即假設(shè)我們已將 LR-HR 圖像以完美的質(zhì)量配對。但此類數(shù)據(jù)集難以獲取,,因?yàn)橛糜谠u估的數(shù)據(jù)集通常是通過人工降級獲得的,。在這種情況下,我們對其執(zhí)行評估的任務(wù)實(shí)際上是預(yù)定義降級的逆過程,。因此,,開發(fā)盲 IQA 方法也有很大的需求。
4,、無監(jiān)督超分辨率
如第四部分所述,,在相同的場景中收集不同分辨率的圖像比較難,因此雙三插值被廣泛用于創(chuàng)建 SR 數(shù)據(jù)集,。但是,,在這些數(shù)據(jù)集上訓(xùn)練的 SR 模型可能僅學(xué)習(xí)了預(yù)定義降級的可逆過程。因此,,如何執(zhí)行無監(jiān)督超分辨率(即在沒有配對 LR-HR 圖像的數(shù)據(jù)集上訓(xùn)練)是未來發(fā)展的一個可行方向,。
5、實(shí)際應(yīng)用方向
圖像超分辨率在實(shí)際應(yīng)用中受到很大限制,,如遭遇未知的降級因子,,丟失配對 LR-HR 圖像等。以下是 SR 在實(shí)際應(yīng)用中的一些發(fā)展方向:
處理多種降級問題,。實(shí)際應(yīng)用中的圖像往往會遭遇未知的降級問題,,如噪聲增多、壓縮人為問題和模糊等。因此,,在人為降級的數(shù)據(jù)集上訓(xùn)練的模型在現(xiàn)實(shí)應(yīng)用中往往表現(xiàn)不佳,。研究人員已經(jīng)提出了一些方法來解決這一問題,但這些方法有一些先天缺陷,,如訓(xùn)練難度大,、過于完美的假設(shè)。這一問題亟待解決,。
特定領(lǐng)域的應(yīng)用,。超分辨率不僅可以直接應(yīng)用于特定領(lǐng)域的數(shù)據(jù)和場景,還對其它視覺任務(wù)有很大幫助,。因此,,將 SR 應(yīng)用于更多的特定領(lǐng)域也是一個有前景的方向,如視頻監(jiān)控,、人臉識別,、目標(biāo)跟蹤、醫(yī)學(xué)成像,、場景渲染等,。
多尺度超分辨率。多數(shù)現(xiàn)有 SR 模型以固定的比例因子來執(zhí)行 SR,。但在實(shí)際應(yīng)用中我們經(jīng)常要以任意比例因子來執(zhí)行官 SR,,因此,開發(fā)多尺度超分辨率的單個模型也是一個潛在的發(fā)展方向,。