面向盲图像超分辨率的联邦学习
图像与视频处理
2024-04-30 v1 人工智能
计算机视觉与模式识别
新兴技术
机器学习
摘要
传统的盲图像超分辨率方法需要精确建模真实世界的退化。因此，当前研究通过假设理想化的退化来应对这一困境，这导致了对实际用户数据的适用性有限。此外，理想的情况——在目标用户群的数据上训练模型——带来了重大的隐私问题。为了应对这两个挑战，我们提出将图像超分辨率与联邦学习融合，允许直接从用户学习真实世界的退化而不侵犯他们的隐私。此外，它使得可以在许多设备上进行优化而无需数据集中化。由于这种融合尚未被充分探索，我们引入了专门设计用于在这种联邦设置中评估新超分辨率方法的新基准。通过这样做，我们采用了来自超分辨率研究的已知退化建模技术。然而，我们的基准不是旨在镜像真实退化，而是使用这些退化模型来模拟分布式用户群中不同客户端之间的各种退化。这一区别至关重要，因为它规避了精确建模真实世界退化的需要，而这限制了当代盲图像超分辨率研究。我们提出的基准从新的方面研究盲图像超分辨率，即用户之间不同分布的退化类型和不同的用户数量。我们相信，在这些基准内测试的新方法将在应用中表现得更相似，因为模拟场景解决了多样性，而联邦学习使得能够在实际退化上进行训练。
引用
@article{arxiv.2404.17670,
title = {Federated Learning for Blind Image Super-Resolution},
author = {Brian B. Moser and Ahmed Anwar and Federico Raue and Stanislav Frolov and Andreas Dengel},
journal= {arXiv preprint arXiv:2404.17670},
year = {2024}
}