Super-resolution

1. 1

   Genoprettelse af et højopløst billede fra ét eller flere lavopløste billeder, ofte ved hjælp af dybe neurale netværk.

   • SRGAN kan generere realistiske højopløste billeder fra lavopløste input. — Ledig et al., 2017

Bruges inden for medicinsk billedbehandling, satellitbilleder, videoopgradering og overvågning.

import torch.nn as nn

class SRCNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 64, kernel_size=9, padding=4)
        self.conv2 = nn.Conv2d(64, 32, kernel_size=5, padding=2)
        self.conv3 = nn.Conv2d(32, 1, kernel_size=5, padding=2)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.relu(self.conv1(x))
        x = self.relu(self.conv2(x))
        x = self.conv3(x)
        return x

En simpel PyTorch-implementering af SRCNN, et tidligt deep learning-netværk til super-resolution.

Fra latin 'super' (over) og 'resolution' (opløsning), dannet i 1980'erne.

• Image Super-Resolution Using Deep Convolutional Networks
• Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network