近日，創(chuàng )新奇智研發(fā)團隊在國際權威學(xué)術(shù)期刊《IEEE Transactions on Neural Networks and Learning Systems》發(fā)表論文《Deep Inception-Residual Laplacian Pyramid Networks for Accurate Single-Image Super-Resolution》，提出了一種新的圖像超分辨率算法，能更快速提高圖像重建精度，在工業(yè)品瑕疵檢測、精密測量、商品識別等領(lǐng)域具有非常高的實(shí)用價(jià)值。
《IEEE Transactions on Neural Networks and Learning Systems》由美國電氣和電子工程師協(xié)會(huì )（IEEE）于1990年創(chuàng )辦。該期刊屬于機器學(xué)習、信息科學(xué)、人工智能的交叉學(xué)科領(lǐng)域，主要刊發(fā)神經(jīng)網(wǎng)絡(luò )及其學(xué)習系統的最新研究成果，是IEEE計算智能學(xué)會(huì )核心刊物、神經(jīng)網(wǎng)絡(luò )和學(xué)習系統方面的國際頂級雜志。
圖像超分辨重建（Single-Image Super-Resolution, SISR）是計算機視覺(jué)領(lǐng)域的基礎問(wèn)題，提高圖像分辨率的同時(shí)，還能增加更多的高頻細節信息，有利于圖像的識別、檢測和分割等，因此在工業(yè)視覺(jué)、零售、泛安防等領(lǐng)域有廣泛應用。
在早期的SISR方法中，多采用簡(jiǎn)單堆積卷積層的方式來(lái)增加模型視野域，進(jìn)而提高重建精度，很少關(guān)注模型網(wǎng)絡(luò )結構的優(yōu)化。因此，隨著(zhù)模型網(wǎng)絡(luò )結構深度的增加，開(kāi)始出現精度飽和和退化現象，為了克服這一問(wèn)題，創(chuàng )新奇智研發(fā)團隊提出了一種新的圖像超分辨率算法。
論文主要貢獻：
（1）作者提出了一種基于Inception-Residual Laplacian Pyramid結構的CNN模型，實(shí)現圖像的超分辨率重建，提高重建精度的同時(shí)，降低重建時(shí)間消耗。
（2）作者提出了一種多階段cascade訓練策略，降低訓練難度的同時(shí)，使不同成分的高頻信息被逐步用于訓練模型，提升了模型訓練的穩定性和重建精度。
（3）作者提出了一種同時(shí)在圖像空間和局部秩空間優(yōu)化模型的損失函數，有效解決了L2損失函數重建高分辨率圖像存在的邊緣平滑和紋理細節模糊的問(wèn)題。
模型結構
該算法整體上采用 Laplacian Pyramid結構，逐級重建高分辨率圖像，保證重建質(zhì)量的前提下，提供更高的重建效率，其結構如圖1所示：
圖1 ：提出超分辨率重建算法的模型結構
同時(shí)在每個(gè)Pyramid層采用Inception-Residual模塊，豐富多尺度特征的同時(shí)，可以使模型具有更多的層數，有利于提高重建精度，其結構如圖2所示：
圖2 ：提出超分辨率重建算法的每層Pyramid結構
損失函數
同時(shí)，創(chuàng )新奇智的研發(fā)團隊還提出了一種新的損失函數來(lái)優(yōu)化提出算法的模型。該損失不僅采用多級監督模式，監督每層Pyramid的訓練，還同時(shí)在圖像空間和局部秩空間優(yōu)化模型，使模型能夠更好重建銳利邊緣和紋理結構，其損失函數如下：
訓練策略
此外，為了增加訓練的穩定性，算法中還采用了兩階段的cascade訓練方法，進(jìn)一步改善了重建結果，其訓練過(guò)程如圖3所示：
圖3 ：提出超分辨率重建算法的訓練過(guò)程
實(shí)驗和結果
作者在 Set5、Set14、B100、Urban100和Manga109數據集上，對提出的方法和主流的SISR方法進(jìn)行了對比實(shí)驗，驗證了提出的方法在重建質(zhì)量和效率方面都有明顯的優(yōu)勢。
下表展示了論文提出方法和主流SISR方法在公開(kāi)數據集Set5、Set14、B100、Urban100和Manga109上重建結果的PSNR和SSIM均值（X4）。
圖4：提出算法與其它算法在數據集Set14上的效果對比（X4）
如圖4所示，提出方法具有最高的重建質(zhì)量，重建效率也明顯優(yōu)于SelfExSR、SCN 、DRCN 和VDSR等其他算法。
應用價(jià)值
實(shí)體世界中有大量具有低分辨率的場(chǎng)景需要被識別。該項研究成果已用于創(chuàng )新奇智工業(yè)視覺(jué)和零售業(yè)產(chǎn)品，用于解決低分辨率小目標的檢測和識別問(wèn)題。
以成衣質(zhì)檢為例，成衣表面的瑕疵多種多樣，場(chǎng)景復雜，一些很微小的瑕疵即使肉眼都很難分辨，這時(shí)就需要通過(guò)AI算法重建圖像的分辨率，將其精準識別出來(lái)。
再比如，汽車(chē)VIN碼、鋼鐵上的產(chǎn)品編號等，很多時(shí)候由于溫度、濕度、腐蝕等外部環(huán)境的影響，會(huì )造成字跡模糊、不易被準確讀取等問(wèn)題。
創(chuàng )新奇智將AI算法集成到智能掃碼終端，能夠識別多種材質(zhì)表面的模糊標志字符，秒級識別，并達到99.9%以上的準確度。
