用于真实场景图像超分辨率的准则对比学习
计算机视觉与模式识别
2022-07-27 v1
摘要
真实场景图像超分辨率旨在将真实世界的低分辨率图像恢复为高质量版本。典型的 RealSR 框架通常包括针对不同的图像属性所设计的多准则优化，其隐含假设为真值图像能在不同准则间提供良好折衷。然而，由于不同图像属性间固有的对比关系，该假设在实践中易被违背。对比学习（CL）通过使用三元组对比损失学习判别性特征，为缓解此问题提供了有前景的方案。尽管 CL 已在许多计算机视觉任务中取得显著成功，但由于难以在此情形下定义有效的正图像对，将 CL 引入 RealSR 并非易事。受不同准则间也可能存在对比关系的观察启发，本文提出一种用于 RealSR 的新训练范式，称为准则对比学习（Cria-CL），通过构建定义于准则而非图像块的对比损失实现。此外，提出一种空间投影器以在 RealSR 中为 Cria-CL 获取良好视图。我们的实验表明，在相似参数设置下，与典型的加权回归策略相比，我们的方法取得了显著改进。
引用
@article{arxiv.2207.12767,
title = {Criteria Comparative Learning for Real-scene Image Super-Resolution},
author = {Yukai Shi and Hao Li and Sen Zhang and Zhijing Yang and Xiao Wang},
journal= {arXiv preprint arXiv:2207.12767},
year = {2022}
}
备注
To address the generalization on out-of-distribution (OOD) data, we also built a new RealSR-Zero dataset for an interesting OOD evaluation. Project address: https://github.com/House-Leo/RealSR-Zero