How Does the Low-Rank Matrix Decomposition Help Internal and External Learnings for Super-Resolution
How Does the Low-Rank Matrix Decomposition Help Internal and External Learnings for Super-Resolution
复制标题
低秩矩阵分解如何帮助超分辨率的内部和外部学习
DOI：
10.1109/tip.2017.2768185
复制
发表时间：
2016-04
影响因子：
10.6
通讯作者：
Licheng Jiao
中科院分区：
文献类型：
--
作者：
Shuang Wang;Bo Yue;Xuefeng Liang;Licheng Jiao
如何合理地利用内外学习方法是超分辨率问题的新挑战。为了解决这一问题，我们分析了两种方法的属性，发现了两种方法恢复细节的观察结果：1)它们在特征空间和图像平面上是互补的；2)它们在空间空间上是稀疏分布的。这启发我们提出了一种低秩的解决方案，将两种学习方法有效地结合在一起，从而达到更好的效果。为了适应这个解决方案，对内部学习方法和外部学习方法进行了定制，以产生多个初步结果。我们的理论分析和实验证明，提出的低秩解不需要大量的输入来保证性能，从而简化了两种解的学习方法的设计。大量的实验表明，所提出的解决方案在定性和定量评估方面都改善了单一学习方法。令人惊讶的是，它在噪声图像上表现出更优越的能力，并且优于最先进的方法。
Wisely utilizing the internal and external learning methods is a new challenge in super-resolution problem. To address this issue, we analyze the attributes of two methodologies and find two observations of their recovered details: 1) they are complementary in both feature space and image plane and 2) they distribute sparsely in the spatial space. These inspire us to propose a low-rank solution which effectively integrates two learning methods and then achieves a superior result. To fit this solution, the internal learning method and the external learning method are tailored to produce multiple preliminary results. Our theoretical analysis and experiment prove that the proposed low-rank solution does not require massive inputs to guarantee the performance, and thereby simplifying the design of two learning methods for the solution. Intensive experiments show the proposed solution improves the single learning method in both qualitative and quantitative assessments. Surprisingly, it shows more superior capability on noisy images and outperforms state-of-the-art methods.
登录
查看更多内容
DOI：
10.1109/cvpr.2014.364
发表时间：
2014-06
期刊：
2014 IEEE Conference on Computer Vision and Pattern Recognition
影响因子：
--
作者：
Abhishek Singh;F. Porikli;N. Ahuja
通讯作者：
Abhishek Singh;F. Porikli;N. Ahuja
用于图像分类的多视图低秩字典学习
影响因子：
8
作者：
Xinge You;Dong Yue;Ruimin Hu;Jing-Yu Yang
通讯作者：
Jing-Yu Yang
通过自适应稀疏域选择和自适应正则化进行图像去模糊和超分辨率
影响因子：
10.6
作者：
Dong, Weisheng;Zhang, Lei;Wu, Xiaolin
通讯作者：
Wu, Xiaolin
影响因子：
10.6
作者：
Peleg, Tomer;Elad, Michael
通讯作者：
Elad, Michael
DOI：
10.1109/cvpr.2012.6247930
发表时间：
2012-06
期刊：
2012 IEEE Conference on Computer Vision and Pattern Recognition
影响因子：
--
作者：
Shenlong Wang;Lei Zhang;Yan Liang;Q. Pan
通讯作者：
Shenlong Wang;Lei Zhang;Yan Liang;Q. Pan