用于失真图像复原的生成式与判别式学习
图像与视频处理
2020-11-30 v3 计算机视觉与模式识别
摘要
液化是图像编辑的常用技术，可用于图像失真。由于失真变化的不确定性，复原由液化滤镜导致的失真图像是一项具有挑战性的任务。为高效编辑图像，期望失真图像能自动复原。本文旨在进行失真图像复原，其特点在于寻求对失真图像的适当扭曲与补全。现有方法聚焦于硬件辅助或几何原理以解决自然现象引起的特定规则形变，但无法处理该任务中人工失真的无规则性与不确定性。为解决此问题，我们提出一种基于深度神经网络的新型生成式与判别式学习方法，可学习多种重建映射并表示复杂高维数据。该方法将任务分解为校正阶段与精修阶段。第一阶段生成网络预测从失真图像到校正图像的映射。第二阶段生成网络随后进一步优化感知质量。由于无可用数据集或基准探索该任务，我们基于CelebA数据集通过前向失真映射创建了失真人脸数据集（DFD）。在提出基准及应用上的大量实验评估表明，我们的方法是失真图像复原的有效途径。
引用
@article{arxiv.2011.05784,
title = {Generative and Discriminative Learning for Distorted Image Restoration},
author = {Yi Gu and Yuting Gao and Jie Li and Chentao Wu and Weijia Jia},
journal= {arXiv preprint arXiv:2011.05784},
year = {2020}
}