成果名称：DRFN: Deep Recurrent Fusion Network for Single-Image Super-Resolution With Large Factors
发表期刊：IEEE Transactions on Multimedia
发表时间：2018年08月06日
成果作者： 杨鑫、梅海洋、张强、尹宝才、魏小鹏
成果简介：
开放环境下的场景理解面临的一个关键挑战是受限于获取设备无法直接获取具有良好细节信息的高分辨率图像，无法保证获取充足的信息用于理解，大大降低了场景理解的准确性和稳定性。为了解决这一难题，本工作提出了新颖的基于频带表征学习和多频融合建模的大倍数图像超分辨率方法。
大倍数图像超分辨率的难点在于图像中能够利用的信息有限，传统方法/黑箱网络的特征提取及表达能力有限，无法充分探索有效的数据表征形式，重建图像往往比较模糊。如何从低分辨率输入图像中探索高分辨率图像的数据表征方式并进行有效建模成为解决该问题的关键。传统方法依赖数学插值，由于插值只根据邻近像素点来简单的预测未知像素点的值，因此对数据表征能力十分有限；而现有的基于深度学习的方法通常缺乏先验知识的约束与引导，无法有效建模更有效的数据表征。
基于上述问题，本工作提出利用具有可学习参数的转置卷积代替人工设定的上采样方式，将输入图像放大到期望的尺寸空间，然后使用循环神经网络在高分辨率空间提取不同频带的信息，利用多频融合的思想，学习场景图像的频带表征，最后将学习到的低频、中频、高频信息进行融合，重建出细节丰富的高分辨率图像，进而为准确全面的场景理解提供了保障。
自即日起5日内，任何单位或个人对上述公示内容有异议，可以书面、电子邮件、电话等方式向学会秘书处提出，并提供必要的证明材料。为便于核实查证，确保实事求是、客观公正的处理异议，提出异议的单位或个人应当标明真实身份，并提供联系方式。凡匿名异议和超出期限的异议，不予受理。
学会秘书处联系方式：
电 话：0411-87402045
Email：lngs1015@163.com
邮寄地址：辽宁省大连市开发区学府大街10号，116622
