面向超高分辨率图像复原的全局-局部逐步生成网络

尽管针对常规尺寸退化图像背景复原的研究已取得显著进展，但由于计算复杂度和内存消耗的急剧增长以及标注数据的匮乏，复原超高分辨率（如4K）图像仍是一项极具挑战性的任务。本文提出一种用于超高分辨率图像复原的新模型，称为全局-局部逐步生成网络（GLSGN），其采用逐步复原策略，包含三条局部通路与一条全局通路共四条复原路径。局部通路以细粒度方式在高分辨率但局部的图像块上执行图像复原，而全局通路在降尺度但完整的图像上以粗粒度方式进行图像复原，从全局视角（包括语义与噪声模式）为局部通路提供线索。为平滑这四条通路之间的相互协作，我们的GLSGN被设计为在低级内容、感知注意力、复原强度与高级语义四个方面分别保证通路间一致性。作为本工作的另一主要贡献，我们还引入了迄今首个同时面向反射去除与雨纹去除的超高分辨率数据集，包含4,670张真实世界与合成图像。在图像背景复原的三项典型任务（包括图像反射去除、图像雨纹去除与图像去雾）上的大量实验表明，我们的GLSGN持续优于当前最优（SOTA）方法。