RGB画像からの浅い学習によるスペクトル再構成の擁護

非常に最近、Galliani et al. 13 は、深いCNNアーキテクチャを使用した学習スペクトル再構成の方法を提案し、Arad et al. 6 の最近のスパースコーディング手法に対して大幅な改善を示しました。本稿では、浅い学習によるスペクトル再構成手法を擁護します： (i) まず、Aradを再実装し、元の報告よりも大幅に良い結果を得ることができることを示します。 (ii) 次に、Timofte et al. 33 の超解像度に基づく新しい浅い手法を紹介し、Aradを大幅に改善し、さらに、Gallianiの非常に深いCNN手法と三つの標準ベンチマーク（ICVL、CAVE、NUS）で同等の性能を提供します。 (iii) 最後に、訓練と実行時の効率、およびそのパラメータと得られた性能の明確な関係が、RGB画像からの学習スペクトル再構成のさらなる研究に対する我々の浅いA+の強力なベースラインを形成すると主張します。さらに、我々の浅いA+（およびArad）は、Galliani（および一般的なCNNアプローチ）よりもはるかに小さな訓練データを必要とし、それを使用し、過学習に対して堅牢であり、新しいカメラへの迅速な訓練によって簡単に展開可能です。