面向真实图像超分辨率的人引导真值生成
计算机视觉与模式识别
2023-03-24 v1
摘要
如何生成真值 (GT) 图像是训练真实图像超分辨率 (Real-ISR) 模型的关键问题。现有方法大多取一组高分辨率 (HR) 图像作为 GT，并施加各种退化以模拟其低分辨率 (LR) 对应图像。尽管已取得巨大进展，此种 LR-HR 对生成方案存在若干局限。首先，HR 图像的感知质量可能不够高，限制了 Real-ISR 输出的质量。其次，现有方案在 GT 生成中较少考虑人类感知，训练的模型往往产生过度平滑的结果或令人不快的伪影。鉴于上述考虑，我们提出一种人引导的 GT 生成方案。我们首先精心训练多个图像增强模型以提升 HR 图像的感知质量，并使一个 LR 图像拥有多个 HR 对应图像。随后引入人类受试者，在增强的 HR 图像中标注高质量区域作为 GT，并将带有不快伪影的区域标为负样本。由此构建带正负样本的人引导 GT 图像数据集，并提出损失函数以训练 Real-ISR 模型。实验表明，在我们的数据集上训练的 Real-ISR 模型能产生感知上更真实且伪影更少的结果。数据集与代码见 https://github.com/ChrisDud0257/HGGT
引用
@article{arxiv.2303.13069,
title = {Human Guided Ground-truth Generation for Realistic Image Super-resolution},
author = {Du Chen and Jie Liang and Xindong Zhang and Ming Liu and Hui Zeng and Lei Zhang},
journal= {arXiv preprint arXiv:2303.13069},
year = {2023}
}
备注
10 pages. Already accpted by 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)