基于对比表示学习的盲图像超分辨率
计算机视觉与模式识别
2021-07-05 v1
摘要
近年来，得益于卷积神经网络（CNNs）的发展，图像超分辨率（SR）研究取得了令人瞩目的进展。然而，大多数现有的 SR 方法都是非盲的，并假设退化具有单一固定且已知的分布（例如双三次），在处理通常遵循多模态、空间变化且未知分布的真实世界数据退化时表现不佳。近期的盲 SR 研究通过退化估计来解决此问题，但它们对多源退化的泛化能力较弱，且无法处理空间变化退化。我们设计了 CRL-SR，一种专注于处理多模态和空间变化分布图像的盲 SR 的对比表示学习网络。CRL-SR 从两个角度解决盲 SR 挑战。其一是对比解耦编码，在双向对比损失引导下引入对比学习以提取分辨率不变嵌入并丢弃分辨率可变嵌入。其二是对比特征细化，在条件对比损失引导下生成丢失或损坏的高频细节。在合成数据集和真实图像上的大量实验表明，所提出的 CRL-SR 在盲设置下能有效处理多模态和空间变化退化，并且在定性和定量上均优于最先进的 SR 方法。
引用
@article{arxiv.2107.00708,
title = {Blind Image Super-Resolution via Contrastive Representation Learning},
author = {Jiahui Zhang and Shijian Lu and Fangneng Zhan and Yingchen Yu},
journal= {arXiv preprint arXiv:2107.00708},
year = {2021}
}