图像超分辨率的摊销最大后验推断
计算机视觉与模式识别
2017-02-28 v3 机器学习
机器学习
摘要
图像超分辨率（SR）是一个欠定逆问题，大量合理的高分辨率图像都可以解释同一幅下采样图像。当前大多数单图像SR方法使用经验风险最小化，通常采用逐像素均方误差（MSE）损失。然而，这类方法的输出往往模糊、过度平滑，且通常看起来不真实。更理想的方法是采用最大后验（MAP）推断，优先选择在图像先验下始终具有高概率的解，从而看起来更真实。直接对SR进行MAP估计并非易事，因为这需要我们根据样本构建图像先验模型。此外，MAP推断通常通过基于优化的迭代算法执行，其效率难以与基于神经网络的替代方案相比。本文引入了摊销MAP推断的新方法，即直接使用卷积神经网络计算MAP估计。我们首先提出了一种新颖的神经网络架构，该架构执行向有效SR解仿射子空间的投影，确保网络的高分辨率输出始终与低分辨率输入一致。我们证明，使用该架构，摊销MAP推断问题可归结为最小化两个分布之间的交叉熵，类似于训练生成模型。我们提出了三种方法来解决此优化问题：（1）生成对抗网络（GAN）；（2）去噪器引导的SR，通过从去噪反向传播梯度估计来训练网络；（3）使用最大似然训练的图像先验的基线方法。实验表明，基于GAN的方法在真实图像数据上表现最佳。最后，我们建立了GAN与摊销变分推断（如变分自编码器）之间的联系。
引用
@article{arxiv.1610.04490,
title = {Amortised MAP Inference for Image Super-resolution},
author = {Casper Kaae Sønderby and Jose Caballero and Lucas Theis and Wenzhe Shi and Ferenc Huszár},
journal= {arXiv preprint arXiv:1610.04490},
year = {2017}
}