共计 1371 个字符，预计需要花费 4 分钟才能阅读完成。
作者 | 菜鸟青年
编辑 | CV 君
报道 | 我爱计算机视觉（微信 id：aicvml）
哈工大、台湾国立清华大学与香港中文大学的钻研人员联结提出用于盲图像超分辨的非对称卷积网络，该文收录于 IEEE Transactions on Systems, Man, and Cybernetics: Systems (IEEE TSMC)期刊。
该文能通过一个模型解决固定缩放因子图像超分辨、盲图像超分辨问题及解决蕴含盲噪声的盲超分辨问题，在数字设施上具备良好的利用价值。
题目：Asymmetric CNN for image super-resolution
作者:Chunwei Tian, Yong Xu, Wangmeng Zuo, Chia-Wen Lin and David Zhang
单位：哈工大、台湾国立清华大学于香港中文大学
深度卷积神经网络在过来 5 年内曾经被广泛应用到底层视觉畛域。已有大部分办法是依据不同利用的属性，以设计适宜网络结构。然而，这些构造都通过平等看待所有像素点的形式交融不同特色，以进步指标工作的性能，它们漠视部分像素点的作用而导致低的训练效率。
此外，已有办法都是针对固定缩放因子来训练超分辨模型，这受限于实在的低分辨图像。对此，本文提出一种用于图像超分辨的非对称的卷积神经网络（ACNet）。
首先，ACNet 通过一维的非对称卷积构造加强方核作用，以加强部分显著性特色作用并晋升训练效率和 SR 性能；其次，ACNet 充分利用低频的网络档次特色解决深度网络长期依赖问题，同时深度特色和宽度特色联合使得取得的低频特色更鲁棒。
接着，ACNet 通过一组并行的上采样操作实现盲超分辨模型及盲噪声的盲超分辨模型；最初，ACNet 充分利用取得的低频特色和高频特色来学习更精确的超分辨特色以及避免之前操作导致特色过加强景象。
作者通过在多个公开数据集上从 PSNR/SSIM、复杂度、复原高质量图像工夫、图像品质评估以及可视化图像（平坦图像、Y 通道图像、出错图像、细节信息、纹理图像、边缘图像等）等多方面验证了，所提出 ACNet 能通过一个模型高效地解决 SISR 工作、盲超分辨工作及盲噪声的盲超分辨工作，该技术具备良好的利用价值。更多信息如下：
1 网络结构图
2 上采样操作
3 不同办法在不同数据集的 SR 后果
1）不同办法在 Set5 和 Set14 数据集对于不同缩放因子的 PSNR/SSIM 值
2）不同办法在 B100 和 U100 数据集对于不同缩放因子的 PSNR/SSIM 值
3）复杂度和运行工夫
4）图像品质评估
5）蕴含低频噪声的低分辨图像复原后果
6）蕴含高频噪声的低分辨图像复原后果
7）取得高清图像和 Y 通道图像的平坦区域可视化后果
8）取得谬误图像和边缘图像的平坦区域可视化后果
9）取得高清图像和 Y 图像的纹理区域可视化后果
10）取得谬误图像和边缘图像的纹理区域可视化后果
11)取得高清图像和 Y 图像的细节信息区域可视化后果
12）取得谬误图像和边缘图像的细节信息区域可视化后果
论文：https://arxiv.org/pdf/2103.13…
代码：https://github.com/hellloxiao…
作者更多信息：
https://github.com/hellloxiao…
https://sites.google.com/view…
对应代码还未公布，数据集曾经公布，最近在整顿中，陆续公布代码~
END