L-WaveBlock：一种利用小波变换的生成对抗网络新型特征提取器
计算机视觉与模式识别
2023-11-10 v1 图像与视频处理
摘要
生成对抗网络（GANs）在深度学习领域已崭露头角，能够从随机噪声中生成逼真的数据。GANs 的有效性往往取决于特征提取的质量，这是其架构中的关键环节。本文提出 L-WaveBlock，一种新颖且鲁棒的特征提取器，它结合了离散小波变换（DWT）的能力与深度学习方法。L-WaveBlock 旨在加快 GAN 生成器的收敛速度，同时提升其性能。本文在三个数据集上展示了 L-WaveBlock 的显著效用：道路卫星影像数据集、CelebA 数据集和 GoPro 数据集，证明了其能够简化特征提取并提高效率。通过利用 DWT，L-WaveBlock 高效捕获结构与纹理细节的复杂特征，并将特征图在多尺度上划分为正交子带，同时保留关键信息。它不仅带来更快的收敛，而且通过在各数据集上应用 L-WaveBlock 取得了令人满意的结果。所提方法在地图数据集上取得了 3.6959 的 Inception Score 和 0.4261 的结构相似性指数，在 CelebA 数据集上取得了 29.05 的峰值信噪比和 0.874 的结构相似性指数。对于图像去噪数据集，所提方法与当前最优（state-of-the-art）表现相当，虽未超越，但仍比传统方法收敛更快。由此，L-WaveBlock 成为一种用于增强基于 GAN 的图像生成的鲁棒高效工具，在图像分辨率、图像生成和图像去噪等多个数据集上展现出更优的收敛速度与具竞争力的性能。
引用
@article{arxiv.2311.05548,
title = {L-WaveBlock: A Novel Feature Extractor Leveraging Wavelets for Generative Adversarial Networks},
author = {Mirat Shah and Vansh Jain and Anmol Chokshi and Guruprasad Parasnis and Pramod Bide},
journal= {arXiv preprint arXiv:2311.05548},
year = {2023}
}
备注
12 figures, 8 pages