用于真实图像超分辨率的深度循环生成对抗残差卷积网络
图像与视频处理
2020-09-09 v1 计算机视觉与模式识别
摘要
近期基于深度学习的单图像超分辨率（SISR）方法大多在干净数据域中训练模型，其中低分辨率（LR）与高分辨率（HR）图像因双三次下采样假设而来自无噪声设置（同域）。然而，此类退化过程在真实场景中并不存在。我们考量一种深度循环网络结构以维持 LR 与 HR 数据分布间的域一致性，其受近期 CycleGAN 在图像到图像翻译应用中的成功所启发。我们提出超分辨率残差循环生成对抗网络（SRResCycGAN），通过生成对抗网络（GAN）框架以端到端方式训练，实现 LR 到 HR 域的翻译。我们在定量与定性实验中展示了所提方法能很好地泛化至真实图像超分辨率，且易于部署于移动/嵌入式设备。此外，我们在 AIM 2020 真实图像超分辨率挑战赛数据集上的 SR 结果表明，所提 SR 方法取得了与其他最先进方法相当的结果。
引用
@article{arxiv.2009.03693,
title = {Deep Cyclic Generative Adversarial Residual Convolutional Networks for Real Image Super-Resolution},
author = {Rao Muhammad Umer and Christian Micheloni},
journal= {arXiv preprint arXiv:2009.03693},
year = {2020}
}
备注
In proceedings of European Conference on Computer Vision (ECCV) Workshops. arXiv admin note: substantial text overlap with arXiv:2005.00953