利用归一化拉普拉斯金字塔距离在生成对抗网络上强制感知一致性
计算机视觉与模式识别
2020-11-18 v2 机器学习
图像与视频处理
机器学习
摘要
近年来，通过深度学习进行图像生成引起了越来越多的关注。虽然生成图像的评估重要部分通常涉及视觉检查，但将人类感知作为训练过程中的一个因素常被忽视。本文中，我们针对使用条件生成对抗网络（cGANs）的图像到图像翻译，提出一种替代性的感知正则化器。为自动实现此目的（避免视觉检查），我们使用归一化拉普拉斯金字塔距离（NLPD）来衡量生成图像与原始图像之间的感知相似性。NLPD 基于在不同尺度上将系数值相对于局部平均能量估计进行归一化的原理，并已在涉及人类感知的不同实验中成功验证。我们将该正则化器与最初提出的 L1 距离进行比较，注意到使用 NLPD 时生成图像包含更真实的局部和全局对比度值。我们发现，使用 NLPD 作为正则化器提高了生成图像上的图像分割精度，并改善了两个无参考图像质量指标。
引用
@article{arxiv.1908.04347,
title = {Enforcing Perceptual Consistency on Generative Adversarial Networks by Using the Normalised Laplacian Pyramid Distance},
author = {Alexander Hepburn and Valero Laparra and Ryan McConville and Raul Santos-Rodriguez},
journal= {arXiv preprint arXiv:1908.04347},
year = {2020}
}