Multi-Level Wavelet-CNN zur Bildrestaurierung

Der Kompromiss zwischen der Größe des rezeptiven Feldes und der Effizienz ist ein entscheidendes Problem in der Niedrigpegelvision. Gewöhnliche konvolutionale Netzwerke (CNNs) vergrößern im Allgemeinen das rezeptive Feld auf Kosten der Rechenleistung. Kürzlich wurde dilatiertes Filtern eingeführt, um dieses Problem zu beheben. Dies leidet jedoch unter dem Gittereffekt, und das resultierende rezeptive Feld ist nur eine spärliche Abtastung des Eingabebildes mit Schachbrettmustern. In diesem Papier präsentieren wir ein neuartiges Multi-Level-Wavelet-CNN (MWCNN) Modell für einen besseren Kompromiss zwischen der Größe des rezeptiven Feldes und der Recheneffizienz. Mit der modifizierten U-Net-Architektur wird die Wavelet-Transformation eingeführt, um die Größe der Merkmalskarten im kontrahierenden Subnetz zu reduzieren. Darüber hinaus wird eine weitere konvolutionale Schicht verwendet, um die Kanäle der Merkmalskarten zu verringern. Im expandierenden Subnetz wird dann die inverse Wavelet-Transformation eingesetzt, um die hochauflösenden Merkmalskarten zu rekonstruieren. Unser MWCNN kann auch als Verallgemeinerung des dilatierten Filterns und Subsampling erklärt werden und kann auf viele Aufgaben der Bildrestaurierung angewendet werden. Die experimentellen Ergebnisse zeigen eindeutig die Wirksamkeit von MWCNN bei der Bildrauschunterdrückung, der Einzelbild-Superauflösung und der Entfernung von JPEG-Bildartefakten.