从人脸到自然图像：学习真实退化用于盲图像超分辨率
计算机视觉与模式识别
2022-10-17 v2
摘要
如何设计合适的训练对对于超分辨率重建真实世界低质量（LQ）图像至关重要，其困难在于难以获取配对的真实高质量（HQ）图像或合成照片级真实的退化LQ观测。近期工作主要聚焦于用手工或估计的退化参数建模退化，然而这些方法无法建模复杂的真实世界退化类型，导致质量提升有限。值得注意的是，LQ人脸图像可能与自然图像具有相同的退化过程，并且可通过利用其强结构先验以照片级真实纹理被稳健地修复。这促使我们使用真实世界的LQ人脸图像及其修复的HQ对应图像来建模复杂的真实世界退化（即ReDegNet），随后将其迁移到HQ自然图像以合成其真实的LQ对应图像。通过将这些配对的HQ-LQ人脸图像作为输入来显式预测退化感知且与内容无关的表示，我们能够控制退化图像生成，并随后将这些退化表示从人脸迁移到自然图像以合成退化的LQ自然图像。实验表明，我们的ReDegNet能够很好地从人脸图像中学习真实退化过程。使用我们合成的对训练的修复网络优于SOTA方法。更重要的是，我们的方法提供了一种新途径，通过从面部区域学习其退化表示来处理真实世界复杂场景，可用于显著提升非面部区域的质量。源代码可在 https://github.com/csxmli2016/ReDegNet 获取。
引用
@article{arxiv.2210.00752,
title = {From Face to Natural Image: Learning Real Degradation for Blind Image Super-Resolution},
author = {Xiaoming Li and Chaofeng Chen and Xianhui Lin and Wangmeng Zuo and Lei Zhang},
journal= {arXiv preprint arXiv:2210.00752},
year = {2022}
}
备注
In ECCV 2022. Code is available at https://github.com/csxmli2016/ReDegNet