用于单图像超分辨率的生成式协作网络
计算机视觉与模式识别
2019-03-13 v2
摘要
基于深度神经网络的方法在单图像超分辨率（SISR）问题中一个常见的缺陷，是在大放大倍数超分辨率重建时恢复更精细纹理细节的能力不足。该问题尤其与客观损失函数的选择相关。特别地，近期工作提出使用 VGG 损失，即在一个卷积神经网络（VGG19，在非常大的 ImageNet 数据集上预训练）的特征空间中最小化生成的高分辨率图像与真值之间的误差。当考虑对分布“远离”ImageNet 图像分布的图像（例如卫星图像）进行超分辨率时，其所提出的固定 VGG 损失不再适用。本文提出一个名为生成式协作网络（GCN）的通用框架，其思想在于在一个特征提取器网络的特征空间中优化生成器（目标映射）。这两个网络（生成器与提取器）是协作的，意指后者通过构建判别性强且相关的特征（不一定固定，并可能与生成器相互学习）来“帮助”前者。我们在 SISR 背景下评估了 GCN 框架，并表明其产生了一种适应于“远离”ImageNet 域的超分辨率域的方法。
引用
@article{arxiv.1902.10467,
title = {Generative Collaborative Networks for Single Image Super-Resolution},
author = {Mohamed El Amine Seddik and Mohamed Tamaazousti and John Lin},
journal= {arXiv preprint arXiv:1902.10467},
year = {2019}
}