【超分辨率】Deep Network Interpolation for Continuous Imagery Effect Transition

这是一篇被CVPR2019收录的论文，论文名称：《Deep Network Interpolation for Continuous Imagery Effect Transition》
作者：由xintao大佬一作，Yu Ke, Dong Chao, XIaoou Tang（汤老师）, Chen Change Loy（吕老师）
商汤出品，必属精品。
项目主页： https://github.com/xinntao/DNI

文章主旨

深度卷积网络在学习一个特定的映射上表现出了很强的能力，然而由于用户群和目标的变化，会想要得到一些连续的输出变化。跟现存的方法只能一对一映射不同（比如风格迁移），本文提出了一种有效且通用的方法来获取对目标图像的效果控制。本文将将该方法称之为Deep Network Interpolation， 一种通过对网络参数的插值来控制输出的连续性变化的方法。

Deep Network Interpolation （DNI）参数插值

很多low-level的视觉任务都是一种图像到另一种图像之间的迁移，比如说图像修复， 图像风格迁移。深度卷积网络可以很好的直接学习源图像$x$到目标图像$y$的映射， $y=G_{\theta }(x)$。

那么考虑两个完全相同的网络$G^A$和$G^B$， 分别实现了两种不同映射效果A和B效果。在这里，作者进行假设两个网络的参数${\theta }_A$和${\theta }_{}$