基于拉普拉斯金字塔与反复放大缩小过程的超分辨率模型中的细节损失
计算机视觉与模式识别
2026-01-15 v1
摘要
随着人工智能的发展,图像处理引起了广泛关注。图像超分辨率作为一项与实际应用密切相关的关键技术,能够提升现有图像的质量。由于增强精细细节对超分辨率任务至关重要,因此应强调对高频信息有贡献的像素。本文提出了两种增强超分辨率图像高频细节的方法:基于拉普拉斯金字塔的细节损失和反复放大缩小过程。结合本文细节损失的总损失通过分别生成和控制超分辨率图像与细节图像来指导模型。该方法使模型能够更有效地关注高频成分,从而改善超分辨率图像质量。此外,反复放大缩小过程通过从多种低分辨率特征中提取多样化信息,增强了细节损失的有效性。我们进行了两类实验。首先,我们设计了一个结合本文方法的 CNN 模型。该模型取得了 SOTA 结果,超越了目前所有可用的 CNN 模型,甚至部分注意力模型。其次,我们将本文方法小规模应用于现有的注意力模型。在所有实验中,加入本文细节损失的注意力模型相较于原始模型均有所提升。这些结果证明本文方法能够跨不同模型结构有效增强超分辨率图像。
引用
@article{arxiv.2601.09410,
title = {Detail Loss in Super-Resolution Models Based on the Laplacian Pyramid and Repeated Upscaling and Downscaling Process},
author = {Sangjun Han and Youngmi Hur},
journal= {arXiv preprint arXiv:2601.09410},
year = {2026}
}
备注
Accepted for publication in IET Image Processing. This is the authors' final accepted manuscript