Meta-SR: A Magnification-Arbitrary Network for Super-Resolution. CVPR 2019

1 文章摘要

Single Image Super-Resolution

提出Meta-SR在单⼀模型中完成任意尺度（包括⾮整数）的超分任务

Meta-SR中的Meta-Upscale Module可替换传统放⼤模块

Meta-Upscale Module利⽤输⼊的scale factor动态预测upscale filters的权重，并以此⽣成HR image with arbitrary size

⽹络结构简单，速度快，⽅便⾼效

2 问题背景

Super-Resolution of arbitrary scale factor 被⻓久忽视
现有的⼤部分⽅法：

• 将每个scale factor单独建模训练，对新的scale factor需要重新建模
• 仅仅实现整数的scale factor，⽆法实现x1.5、x2.5……

3 原理方法

Meta-Learning

• The meta-learning，让机器学会学习，⽽不仅仅是学习⼀个函数
• The meta-learning主要应⽤于:
  • few-shot/zero-shot learning
  • transfer learning
• The weight prediction is one of meta-learning strategy in the neural network
• neural network的权重被另⼀个NN预测，⽽⾮直接从training dataset中学习

本⽂思路：利⽤meta-learning预测与每个scale factor相对应filters的weights