IEGAN：基于生成对抗网络的多用途感知质量图像增强
计算机视觉与模式识别
2019-01-17 v1
摘要
尽管图像增强质量取得了突破，但针对低分辨率退化图像同时恢复更精细纹理细节与清晰度的端到端解决方案仍未解决。一些现有方法侧重于最小化逐像素重建误差，从而获得较高的峰值信噪比。增强后的图像无法提供高频细节且在感知上不尽如人意，即未能匹配照片真实感图像所预期的品质。在本文中，我们提出图像增强生成对抗网络（IEGAN），一种能够为伪影去除和超分辨率同时推断照片真实感自然图像的多功能框架。此外，我们提出了一种由重建损失、特征损失及其边缘损失对应项组合而成的新损失函数。特征损失有助于将输出图像推至自然图像流形，边缘损失保持输出图像的清晰度。与原始图像相比，重建损失向生成器提供有关生成图像质量的低级语义信息。我们的方法已在公共基准和我们提出的高分辨率 World100 数据集上通过实验证明可从重度压缩的低分辨率图像中恢复照片真实感纹理。
引用
@article{arxiv.1811.09134,
title = {IEGAN: Multi-purpose Perceptual Quality Image Enhancement Using Generative Adversarial Network},
author = {Soumya Shubhra Ghosh and Yang Hua and Sankha Subhra Mukherjee and Neil Robertson},
journal= {arXiv preprint arXiv:1811.09134},
year = {2019}
}
备注
Accepted at IEEE WACV 2019