Image super-resolution using deep feedforward neural networks in spectral domain

Derin öğrenme alanındaki son gelişmelerle birlikte, bilgisayarla görüde öğrenme makineleri ve ana yaklaşımlar, sınıfandırıcılarla birlikte kodlanmış sabit özelliklerden uçtan uca eğitilmiş, bilgisayarla görü araştırma alanlarının çoğunda başarılı sonuçlar veren derin konvülsiyonel sinir ağlarına dönüşmektedir. Tek görüntü süper çözünürlüğü, derin öğrenme gelişmelerinden önemli derecede etkilenen alanlardan biridir. Süper çözünürlük problemindeki mevcut en başarılı yöntemlerin çoğu, ağ mimarilerinde ardışık konvolusyonel katmanları kullanarak uzamsal alanda düşük çözünürlüklü görüntülerden yüksek çözünürlüklü görüntülere doğrusal olmayan bir eşleştirme öğrenirler. Bununla birlikte, bu sonuçlar, her bir farklı ölçek faktörü için ayrı bir sinir ağı mimarisi eğitimi ile elde edilir. Her ölçek faktörü için ayrı bir sinir ağının eğitilmesinin gerekliliğini ortadan kaldırmak için, spektral tanım kümesinde sınırlı sayıda öğrenme parametresine sahip yeni bir tek görüntü süper özünürlük sistemi öneriyoruz. Görüntüleri uzamsal tanım kümesinden frekans tanım kümesine dönüştüren bir spektral dönüşüm fonksiyonu olarak, ayrık Fourier dönüşümünün bir varyantı olan ayrık kosinüs dönüşümü kullanılır. Buna ek olarak, işlem sonrasında, spektral dönüşümlerden dolayı meydana gelen yapay salınımların kaldırılması için bir salınım azaltma modülü eklenmiştir. Süper-çözünürlük sistemimizin PSNR ölçümü mevcut başarılı yöntemlerden daha düşük olsa bile, spektral tanım kümesi, herhangi bir ölçek faktörü için tek bir veri kümesi ile tek bir model geliştirmemizi ve nispeten daha iyi SSIM sonuçları elde etmemizi sağlar.