Learning a Deep Convolutional Network for Image Supoer-Resolution

Abstract.

We propose a deep learning method for single image super- resolution (SR). Our method directly learns an end-to-end mapping be- tween the low/high-resolution images. The mapping is represented as a deep convolutional neural network (CNN) [15] that takes the low- resolution image as the input and outputs the high-resolution one. We further show that traditional sparse-coding-based SR methods can also be viewed as a deep convolutional network. But unlike traditional meth- ods that handle each component separately, our method jointly optimizes all layers. Our deep CNN has a lightweight structure, yet demonstrates state-of-the-art restoration quality, and achieves fast speed for practical on-line usage.

---

우리는 단일 이미지 초해상도에 관한 딥러닝 방법을 제안한다.

우리의 방법은 저/고 해상도의 이미지가 end-to-end방식으로 매핑하여 학습한다.

매핑은 저해상도 영상을 입력으로 가져다가 고해상도 영상을 출력하는 심층신경망(CNN)[15]으로 표현된다.

또한 기존의 희소 코드 기반 SR 방식도  deep convolution network로 볼 수 있음을 보여 준다.

기존의 방법은 각 요소를 부분적으로 다루지만, 우리의 방법은 전 layer를 최적화한다.

우리의 deep CNN은 모델은 가볍지만, 품질 복원에서 SOTA를 증명하였고, on-line에서 실용적이고 빠른속도로 수행가능하다.

 

 

Reference

Dong, C., Loy, C. C., He, K., & Tang, X. (2014, September). Learning a deep convolutional network for image super-resolution. In European conference on computer vision (pp. 184-199). Springer, Cham.