EatGAN：基于边缘注意力引导的单张图像超分辨生成对抗网络
计算机视觉与模式识别
2025-11-24 v2
摘要
单张图像超分辨（SISR）是图像处理中的重要任务，旨在提升图像系统的分辨率。近期，SISR因深度学习技术取得显著进展，取得鼎舞成果。基于GAN的模型因在感知质量方面的优异性能而居于所有深度学习模型之首。然而，这些模型较难重建真实的高频细节且训练不够稳定。为解决这些问题，我们引入一种边缘注意力引导的生成对抗网络（EatGAN），这是首个同时在生成器内部显式和隐式利用边缘先验的GAN-based SISR模型。它（i）基于通道仿射与空间门控提出归一化边缘注意力（NEA）机制，将边缘先验转化为轻量、可学习的调制参数，并在多个位置注入并融合；（ii）提出一种边缘引导的混合残差块，逐步在不同尺度上强制结构一致性；（iii）组合生成器目标，包括像素、感知、边缘梯度和对抗性术语。实验表明，我们的模型在畸变导向基准和感知导向基准上均实现了状态突破。值得注意的是，我们的模型在Manga 109数据集上达到40.87 dB和0.073（LPIPS），这表明将图像先验从被动指导转化为可控调制基元是通向可信赖、高保真超分辨的实用路径。
引用
@article{arxiv.2509.14550,
title = {EatGAN: An Edge-Attention Guided Generative Adversarial Network for Single Image Super-Resolution},
author = {Penghao Rao and Tieyong Zeng},
journal= {arXiv preprint arXiv:2509.14550},
year = {2025}
}
备注
17 pages (8 pages of main text + 3 pages of reference + 6 pages of supplementary material)