面向超分辨率中新奇退化的可泛化隐表示学习
计算机视觉与模式识别
2022-07-27 v1 图像与视频处理
摘要
典型的盲图像超分辨率（SR）方法侧重于通过直接估计未知退化或在学习退化于隐空间中的表示来处理未知退化。这些方法的一个潜在局限是，它们假设未知退化可由各种手工退化的组合（如双三次下采样）模拟，而这未必成立。真实世界退化可能超出手工退化的模拟范围，被称为新奇退化。本文中，我们提出学习一个用于退化的隐表示空间，其可从手工（基础）退化泛化至新奇退化。该隐空间中获得的新奇退化的表示随后被用于生成与该新奇退化一致的退化图像，以构成 SR 模型的配对训练数据。此外，我们执行变分推断，将隐表示空间中退化的后验与先验分布（如高斯分布）相匹配。因此，我们能够为一个新奇退化采样更多高质量表示，以扩充 SR 模型的训练数据。我们在合成与真实世界数据集上进行了大量实验，以验证我们的方法在处理新奇退化的盲超分辨率上的有效性与优势。
引用
@article{arxiv.2207.12941,
title = {Learning Generalizable Latent Representations for Novel Degradations in Super Resolution},
author = {Fengjun Li and Xin Feng and Fanglin Chen and Guangming Lu and Wenjie Pei},
journal= {arXiv preprint arXiv:2207.12941},
year = {2022}
}