图像超分辨率技术作为底层计算机视觉任务,有着广泛的应用场景,比如:手机图像增强,视频监控,医疗影像,卫星图像,低分辨率人脸识别。因此,图像超分辨率技术吸引了众多来自学术界与工业界的研究兴趣。但是,当前图像超分辨率技术仍然面临一些难题,比如,对高放大倍数的图像超分辨,难以恢复丢失的细节;对已经恢复出的细节,也有着模糊等效应,其质量有待提升。因此,本次公开课,张宇伦同学设计一种新的网络结构,得到更强的表达能力,不仅将之前方法难以恢复的细节恢复出来了,而且,结果更清晰。最终,在不同图像退化模型下都达到了当前较好的结果。
基于残差密集网络的图像超分辨率 (CVPR 2018 亮点论文)
1.图像超分辨率问题,相关工作,难点。
2.残差密集网络。残差密集块,连续记忆机制,局部与全局残差学习,局部与全局自适应特征融合。
3.实验结果。实验设置,网络结构参数分析,网络模块分析,不同退化模型下的对比,性能与运行时间比较,训练数据对网络性能的影响。
4.总结及展望。
张宇伦,目前作为深度学习研究实习生在美国Adobe公司实习。美国东北大学计算机工程在读博士,西安电子科技大学智能科学与技术专业学士,清华大学自动化系硕士。担任 IEEE TIP,TNNLS 和 TCSVT 等期刊的审稿人,曾受邀在意大利,韩国,加拿大以及新加坡等地举行的高水平国际会议上做演讲或者海报展示。硕士期间,在新加坡南洋理工大学做研究助理,在澳大利亚悉尼大学,中科院深圳先进技术研究院做访问学生。获得 2015 年度清华大学景芝科研二等奖学金;2015 年IEEE 视觉通信与图像处理国际会议(VCIP)最佳学生论文奖;2016 年度研究生国家奖学金; 2017 年清华大学优秀硕士学位论文 奖 ;2017年清华大学自动化系优秀毕业生;2017年北京市优秀毕业生;2017年度深圳大运留学基金奖学金; 2017 年 获 得 美 国 东 北 大 学 博 士 全 额 奖 学 金 ( Dean’s Fellowship)。主要研究方向为计算机视觉,机器学习,具体包括图像复原,生成,风格转换等。
北京时间 6 月 19 日(周二)晚上 8:00
如有兴趣参加公开课,可直接访问 http://www.mooc.ai/open/course/505