Recently, convolutional neural network (CNN) based super-resolution (SR) algorithms have achieved substantal improvement on super-resolution task. However, the output of existing SR algorithms still have a problem with reconstructing fine texture regions. In this paper, we propose a texture guidance super-resolution deep neural network (TGSR) that uses learned texture feature maps for assis는ing super-resolution neural network to reconstruct elaborate details of corresponding high-resolution (HR) images from low-resolution (LR) images. A guidance of enhanced texture feature maps from texture reconstuction network make super-resolution network estimate more complex patterns or exquisite textures and improve the performance. Experimental results show that the proposed algorithm provides better performances in terms of PSNR and SSIM which is the measurement of SR task, compared to current state-of-the-art SR algorithms, while enhancing fine texture details.
최근 심층 신경망의 종류 중 하나인 컨볼루셔널 신경망 기반 알고리즘들이 초해상도 이미지 복원 분야에서 괄목할만한 성능 향상을 이루었다. 그러나 기존의 초해상도 이미지 복원 알고리즘의 결과는 미세한 텍스처 부분을 복원하는 데에 여전히 문제점을 가지고 있다. 본 논문에서는 학습한 텍스처 특징 맵를 이용하여 기존의 초해상도 복원망이 저해상도 영상으로부터 정교한 세부 부분을 잘 복원할 수 있도록 도와주는 다중 크기 텍스처 지도 초해상도 복원 심층 신경망을 제안한다. 텍스처 복원망에서 나온 향상된 텍스처 특징 맵의 지도를 통해 초해상도 복원망은 복잡한 패턴과 미세하고 정교한 텍스처를 복원하여 성능을 향상시킨다. 실험의 결과는 제안된 알고리즘이 최근의 초해상도 복원 알고리즘에 비해 미세한 텍스처 부분을 향상시키면서 더 나은 성능을 이끌어내는 것을 초해상도 복원 측정 기준인 PSNR과 SSIM을 통해 보여준다.
