Multi-layer strategy and reconstruction model with low rank and local rank regularizations for single image super-resolution

روش رتبه پایین ثابت شده است که یک ابزار قدرتمند برای بازسازی تصویر است. با این حال، به دلیل اینکه سخت برای پیدا کردن تکه های مشابه کافی برای کسانی که تکه های شیب بالا که شامل جزئیات بافت غنی و اطلاعات لبه قوی، روش رتبه پایین کلاسیک همیشه از بین می برد جزئیات تصویر انتقادی و نتواند به حفظ ساختارهای لبه. برای مقابله با مشکلات ذکر شده در بالا، در این مقاله، ما یک مدل استراتژی چند لایه و بازسازی جدید که ترکیبی از رتبه پایین و تنظیم رتبه های محلی برای تصویر با وضوح فوق العاده ارائه شده است. در روش ارائه شده، اولا، با توجه به اینکه هر یک از لایه از سهام تصویر تجزیه مشابه لبه و یا بافت اطلاعات، که منجر به جستجو به اندازه کافی و دقیق تر تکه های مشابه به صادقانه توصیف هر یک از پچ نمونه، ما می توانیم تصویر ورودی به چند لایه تجزیه تصاویر برای حل مشکل از بین بردن جزئیات تصویر بحرانی. بعد، ما تعدیل رتبه محلی را به مدل رتبه پایین برای ایجاد یک مدل بازسازی جدید برای به طور موثر بازسازی جزئیات تصویر و تیز کردن ساختار لبه به طور همزمان درج می کنیم. نتایج تجربی بر روی تصاویر مختلف، برتری روش پیشنهادی را از لحاظ کیفیت بصری و شاخص های عینی ارزیابی می کنند.