Deep bilateral learning for image interpolation

doi:10.1016/j.knosys.2026.116266

Deep bilateral learning for image interpolation

2026-07-19

0

PRE

AI

DOI：10.1016/j.knosys.2026.116266

原文链接

原文求助

摘要

En 中文

在现有的基于深度学习的图像插值方法中，一种常见做法是估计每个缺失像素与其相关联的已知或锚定像素（来自同一插值窗口）之间的强度差。然后将预测的差异值添加到锚定像素的值上作为最终预测的像素值。然而，我们观察到当缺失像素相对于锚定像素为“异常值”时，这种方法不可避免地会导致不准确的估计。为解决此问题，本文提出了一种新颖的深度双边学习（DBL）方法，该方法受经典双边滤波器的基本思想启发。对于每个待估计的缺失像素，我们的DBL被设计为从预定义的支持区域内学习其与锚定像素之间的两个属性，包括它们的强度差和一组基于距离的空间权重。前者被添加到各自锚定像素的值上，以生成缺失像素的一组候选像素值。然后使用空间权重计算这些候选值的加权和，得到最终的估计值。为验证我们DBL的有效性，设计了一种基于DBL的网络，称为深度双边学习网络（DBLN），用于图像插值。广泛的实验结果明确表明，我们的DBLN相较于多种最先进的图像插值方法具有更优越的性能。

Keyword:

Image interpolation

Deep bilateral learning

Convolutional neural network

Deep bilateral learning for image interpolation

摘要

期刊

机构

引用论文