视频超分辨率论文笔记

持续更新

Deep SR-ITM: Joint Learning of Super-Resolution and Inverse Tone-Mapping for 4K UHD HDR Applications

• 论文连接：https://arxiv.org/ftp/arxiv/papers/1904/1904.11176.pdf
• 代码：https://github.com/sooyekim/Deep-SR-ITM （matlab）
• CVPR 2019 oral
• 网络结构：
  

1. 初始图像分解为base layer$I_b$Ib​和detail layer$I_d$Id​，再与原始图像在通道上进行concat，作为上下两个分支的输入
   $I_{b}^{in}=[I I_b], and I_{d}^{in}=[I I_d]$Ibin​=[IIb​],andIdin​=[IId​]

2. Residual blocks. 文中设计了4中不同的残差模块: ResBlock，ResModBlock，ResSkipBlock and ResSkipModBlock。Resblock 采用Pre-activation，为标准的残差模块。

3. Deep SR-IRM 通过逐元素相乘，引入空间可变和图像自适应的调制。我的理解，网络的第二个分支相当于生成一个空间通道的注意力，然后对第一个分支的结果进行相乘。