MGHF：面向图像超分辨率的多粒度高频感知损失
计算机视觉与模式识别
2025-06-24 v2 机器学习
摘要
虽然各种感知损失变体已在超分辨率文献中运用于合成更逼真、更吸引人且更细致的高分辨率图像，但大多数基于卷积神经网络，导致指导过程中的信息损失，往往依赖复杂的架构和训练程序。我们提出了一种基于可逆神经网络 (INN) 的朴素 Multi-Granular High-Frequency (MGHF-n) 感知损失，其在 ImageNet 上进行训练，以克服上述问题。此外，我们发展了一套全面的框架 (MGHF-c)，包括多项约束，以在多个层面保留、优先级和正则化信息：纹理和风格保持、内容保持、区域细节保持以及联合内容-风格正则化。通过自适应熵基准剪枝和 INN 特征的重新加权来实现信息优先级。我们利用 Gram 矩阵损失实现风格保持，采用均方误差损失实现内容保持。此外，我们通过相关性损失提出内容-风格一致性，以规范不必要的纹理生成同时保留内容信息。由于小图像区域可能包含精细细节，我们在 INN 特征中采用调制 PatchNCE 作为局部信息保留目标。广泛实验表明，我们的 MGHF 框架在包括 GAN 和扩散方法在内的各种超分辨率算法上均显著提升了性能。审稿期间，我们的代码将在公开仓库中发布。
引用
@article{arxiv.2411.13548,
title = {MGHF: Multi-Granular High-Frequency Perceptual Loss for Image Super-Resolution},
author = {Shoaib Meraj Sami and Md Mahedi Hasan and Mohammad Saeed Ebrahimi Saadabadi and Jeremy Dawson and Nasser Nasrabadi and Raghuveer Rao},
journal= {arXiv preprint arXiv:2411.13548},
year = {2025}
}
备注
14 pages