FS-NCSR：通过频率分离与噪声条件化归一化流增加超分辨率空间的多样性
计算机视觉与模式识别
2022-04-22 v1 机器学习
图像与视频处理
摘要
超分辨率存在一个固有的病态问题，即单张低分辨率（LR）图像可能来自多张高分辨率（HR）图像。近期基于流的算法的研究通过学习超分辨率空间并预测多样的 HR 输出来解决这一病态性。遗憾的是，超分辨率输出的多样性仍不尽如人意，且基于流的模型输出通常伴有不希望的伪影，导致输出质量低下。本文中，我们提出 FS-NCSR，与现有基于流的方法相比，其利用频率分离与噪声条件化生成多样且高质量的超分辨率输出。由于图像的清晰度与高质量细节依赖于其高频信息，FS-NCSR 仅估计高分辨率输出的高频信息，而不含冗余的低频分量。由此，与先前 NTIRE 2021 挑战赛的优胜者 NCSR 相比，FS-NCSR 在图像质量无显著退化的前提下显著提升了多样性分数。
引用
@article{arxiv.2204.09679,
title = {FS-NCSR: Increasing Diversity of the Super-Resolution Space via Frequency Separation and Noise-Conditioned Normalizing Flow},
author = {Ki-Ung Song and Dongseok Shim and Kang-wook Kim and Jae-young Lee and Younggeun Kim},
journal= {arXiv preprint arXiv:2204.09679},
year = {2022}
}
备注
CVPRW 2022, First three authors are equally contributed