Image-super resolution is a fast-growing research field that has been enhanced
by the introduction of deep learning methods that achieved greater results and
performance.
Convolutional deep networks that utilize residual architecture have shown the
best performance. One of the best models that use this architecture is the EDSR model
[16], which showed a great result in extracting and reconstructing images but the
features that it extracts are not always optimal due to the locality of the convolutional
window which might result in missing some general key features about the image from
the areas outside the convolution kernel of the image.
In this project, we propose an improvement on the convolutional network
architecture that uses residual blocks to detect the local features of the image by adding
a phased version of the input that will add the missing nonlocal features and improve
the quality of the feature space that will result in a better reconstruction.
We achieved our objective by introducing a new phasor block to the model
which will create different perspectives of the image which we trained using a smaller
version of EDSR for each phase then concatenated the results of the original and the
phases into one big feature space containing deep and shallow features which enhanced
the reconstruction of the image.
Keywords: Convolutional Networks, Residual Networks, EDSR, Phasor
ÖZ:
Görüntü ivuper çözünürlüğü, daha büyük sonuçlar ve performans elde eden
derin öğrenme yöntemlerinin tanıtılmasıyla geliştirilmiş, hızla büyüyen bir araştırma
alanıdır.
Artık mimariyi kullanan evrişimli derin ağlar en iyi performansı göstermiştir.
Bu mimariyi kullanan en iyi modellerden biri, görüntülerin çıkarılması ve yeniden
yapılandırılmasında harika bir sonuç gösteren EDSR modelidir[16], ancak çıkardığı
özellikler, kayıpla sonuçlanabilecek evrişim penceresinin yerelliği nedeniyle her
zaman optimal değildir. Görüntünün evrişim çekirdeğinin dışındaki alanlardan
görüntü hakkında bazı genel temel özellikler.
Bu projede, eksik yerel olmayan özellikleri ekleyecek ve özellik uzayının
kalitesini artıracak girdinin aşamalı bir sürümünü ekleyerek görüntünün yerel
özelliklerini algılamak için artık blokları kullanan evrişimli ağ mimarisinde bir
iyileştirme öneriyoruz. Daha iyi bir yeniden yapılanma ile sonuçlanacaktır.
Her aşama için daha küçük bir EDSR sürümü kullanarak eğittiğimiz
görüntünün farklı perspektiflerini yaratacak modele yeni bir fazör bloğu ekleyerek
hedefimize ulaştık, ardından orijinalin ve fazların sonuçlarını derin içeren tek bir
büyük özellik alanında birleştirdik. Ye görüntünün yeniden yapılandırılmasını
geliştiren sığ özellikler.
Anahtar Kelimeler: Evrişimli Ağlar, Artık Ağlar, EDSR, Fazör
