GP-GAN：迈向逼真的高分辨率图像融合

在自动照片编辑应用中，处理高分辨率图像融合既常见又具挑战性。本文致力于解决给定合成图像的高分辨率图像融合问题。我们提出了一种名为高斯-泊松生成对抗网络（Gaussian-Poisson Generative Adversarial Network, GP-GAN）的框架，以结合经典基于梯度的方法与生成对抗网络的优势。据我们所知，这是首个探索 GAN 在高分辨率图像融合任务中能力的工作。具体而言，我们提出了高斯-泊松方程来表述高分辨率图像融合问题，这是一个受梯度与颜色信息约束的联合优化。受先前工作启发，我们通过应用梯度滤波器获取梯度信息。为生成颜色信息，我们提出了 Blending GAN 来学习合成图像与良好融合图像之间的映射。与其他替代方法相比，我们的方法能够提供高分辨率、逼真的图像，且减少了颜色溢出与不悦的伪影。实验证实，我们的方法在 Transient Attributes 数据集上取得了 SOTA 性能。在 Amazon Mechanical Turk 上的一项用户研究表明，大多数工作者倾向于所提出的方法。