基于条件目标的灵活风格图像超分辨率

近期的研究利用卷积神经网络（CNNs）显著提升了单图像超分辨率（SR）的性能。对于给定的输入，可能存在许多高分辨率（HR）解，但大多数现有的基于 CNN 的方法在推理过程中并不探索替代解。获得替代 SR 结果的典型方法是训练多个具有不同损失权重的 SR 模型并利用这些模型的组合。我们提出了一种更高效的方法，利用多任务学习的优势，在各种损失组合上训练单个可调 SR 模型，而非使用多个模型。具体而言，我们在训练时用条件目标优化 SR 模型，该目标是不同特征层级上多个感知损失的加权和。权重根据给定条件变化，权重集合被定义为风格控制器。此外，我们提出了适用于该训练方案的架构，即配备空间特征变换层的残差内残差密集块（Residual-in-Residual Dense Block）。在推理阶段，我们训练好的模型可根据风格控制图生成局部不同的输出。大量实验表明，所提出的 SR 模型能生成多种无伪影的理想重建结果，并在定量性能上与最先进的 SR 方法相当。