局部隐式归一化流用于任意尺度图像超分辨率
计算机视觉与模式识别
2023-07-14 v3
摘要
基于流的方法通过学习高分辨率（HR）图像的分布与归一化流，在解决超分辨率（SR）的病态性方面已展现出有前景的结果。然而，这些方法只能执行预定义的固定尺度 SR，限制了其在真实世界应用中的潜力。同时，任意尺度 SR 已获得更多关注并取得重大进展。尽管如此，先前的任意尺度 SR 方法忽略了病态问题，并使用逐像素 L1 损失训练模型，导致模糊的 SR 输出。在本工作中，我们提出“局部隐式归一化流”（LINF）作为上述问题的统一解决方案。LINF 利用归一化流对不同缩放因子下的纹理细节分布进行建模。因此，LINF 可生成具有丰富纹理细节的任意尺度因子下的照片级真实感 HR 图像。我们通过大量实验评估 LINF，并表明与先前的任意尺度 SR 方法相比，LINF 达到了最先进的感知质量。
引用
@article{arxiv.2303.05156,
title = {Local Implicit Normalizing Flow for Arbitrary-Scale Image Super-Resolution},
author = {Jie-En Yao and Li-Yuan Tsao and Yi-Chen Lo and Roy Tseng and Chia-Che Chang and Chun-Yi Lee},
journal= {arXiv preprint arXiv:2303.05156},
year = {2023}
}
备注
Accepted by CVPR 2023. Code: https://github.com/JNNNNYao/LINF