使用散度度量增强全卷积生成对抗网络用于图像超分辨率
图像与视频处理
2024-04-10 v1 计算机视觉与模式识别
机器学习
摘要
超分辨率（SR）是一个历史悠久的图像处理问题，旨在将低分辨率（LR）样本的质量提升到其高分辨率（HR）对应物的标准。我们旨在通过引入超分辨率生成器（SuRGe）来解决这个问题，这是一种基于全卷积生成对抗网络（GAN）的SR架构。我们展示了在GAN生成器不同深度获得的独特卷积特征可以通过一组可学习的凸权重进行最优组合，以提高生成SR样本的质量。在此过程中，我们分别在SR-HR和LR-SR分布对之间使用Jensen-Shannon和Gromov-Wasserstein损失，以进一步帮助SuRGe的生成器更好地利用可用信息来改进SR。此外，我们使用带有梯度惩罚的Wasserstein损失训练SuRGe的判别器，主要是为了防止模式崩溃。所提出的SuRGe作为一种为超分辨率量身定制的端到端GAN工作流，在保持低推理时间的同时提供了改进的性能。SuRGe的有效性通过在10个基准数据集上与18个最先进竞争者相比的优越性能得到证实。
引用
@article{arxiv.2404.06294,
title = {Fortifying Fully Convolutional Generative Adversarial Networks for Image Super-Resolution Using Divergence Measures},
author = {Arkaprabha Basu and Kushal Bose and Sankha Subhra Mullick and Anish Chakrabarty and Swagatam Das},
journal= {arXiv preprint arXiv:2404.06294},
year = {2024}
}