细节还是伪影：一种用于真实图像超分辨率的局部判别学习方法
图像与视频处理
2022-04-12 v1 计算机视觉与模式识别
摘要
基于生成对抗网络(GAN)的单图像超分辨率(SISR)因其在生成丰富细节方面的潜力而近期受到越来越多的关注。然而，GAN 的训练不稳定，且常在生成细节的同时引入许多感知上令人不快的伪影。在本文中，我们证明可以训练一个基于 GAN 的 SISR 模型，该模型能够稳定地生成感知上真实的细节，同时抑制视觉伪影。基于这样的观察：伪影区域的局部统计特征（如残差方差）通常与感知友好的细节区域不同，我们开发了一个框架来判别 GAN 生成的伪影与真实细节，并由此生成伪影图以正则化和稳定模型训练过程。我们提出的局部判别学习(LDL)方法简单而有效，可轻松插入现有的 SISR 方法中并提升其性能。实验表明，LDL 优于最先进的基于 GAN 的 SISR 方法，在合成与真实世界数据集上均实现了更高的重建精度以及更优的感知质量。代码与模型可在 https://github.com/csjliang/LDL 获取。
引用
@article{arxiv.2203.09195,
title = {Details or Artifacts: A Locally Discriminative Learning Approach to Realistic Image Super-Resolution},
author = {Jie Liang and Hui Zeng and Lei Zhang},
journal= {arXiv preprint arXiv:2203.09195},
year = {2022}
}
备注
To appear at CVPR 2022