地点：信息馆302

时间：12月27日（周五）上午9点

报告人：李凌

报告内容：在最近几年，已经有越来越多的基于深度学习的图像超分辨率方法，但他们中的大多数落入监督范畴，即他们需要大量的训练数据和训练在一个漫长的时期，在实践中可能并不总是可行的。零样本无监督方法可以极大地缓解这一问题。然而，这一范畴的研究在文献中却很少。最近，一种零样本超分辨率(ZSSR)方法被提出，用于从低分辨率(LR)图像中生成高分辨率(HR)图像。ZSSR使用卷积神经网络(CNN)来表示从LR图像到HR图像的转换，并且只基于单一图像进行训练。ZSSR在现实的LR图像和几个基准数据集上都实现了最先进的性能。但是，CNN网络对于ZSSR的训练并不稳定，因为整流器作为激活函数，并且结合Adam优化器使用了自定义的学习率调整策略。这意味着ZSSR的训练可能非常耗时。我们提出使用参数整流器作为激活函数来加速网络的收敛，并提出了一种改进的训练算法来缩短训练时间。训练中使用的网络结构和优化算法也被改变以提高性能。实验结果表明，我们提出的方法在三个基准数据集(Set5、Set14和Urban100)上的重建精度和速度都优于ZSSR。该方法还可以对现实生活中获得的各种LR图像，如历史图像和手机拍摄的图像，产生更令人愉悦的视觉效果。

个人简介：李玲本科毕业于四川大学计算机科学专业，南洋理工大学计算机工程博士。现在任职于澳大利亚科廷大学，担任电子、计算机和数学学院的教授和院长。她的研究兴趣主要是机器学习，计算机视觉和图形学，以及人工智能。她多次在国际会议上发表主题演讲并发表超过170篇在国际期刊和会议上被引用的研究论文。服务于许多专业机构，如澳大利亚-新西兰SIGRRAPH分会、澳大利亚标准委员会等5家国际期刊的编委会成员。