通过隐空间正则化优化生成对抗网络用于图像超分辨率
图像与视频处理
2021-01-12 v2 计算机视觉与模式识别
机器学习
摘要
自然图像可被视为嵌入在更高维欧几里得空间中的流形上。生成对抗网络（GANs）试图学习流形中真实图像的分布以生成看起来真实的样本。但现有方法的结果仍表现出许多令人不快的伪影和失真，即使在如单图像超分辨率（SISR）中已有期望的地面真值目标图像可用于监督学习的情况下也是如此。本文探讨缓解监督式 GANs 这些问题的途径。我们显式地应用 Lipschitz 连续性条件（LCC）来正则化 GAN。从 LCC 导出一个将图像空间映射到新的最优隐空间的编码网络，并将其作为耦合组件来增强 GAN。LCC 还被转化为生成器损失函数中的新正则项以强制局部不变性。GAN 与编码网络共同优化，试图使生成器收敛到更理想且解耦的映射，从而生成更忠实于目标图像的样本。当所提模型应用于单图像超分辨率问题时，结果优于当前最优（state of the art）。
引用
@article{arxiv.2001.08126,
title = {Optimizing Generative Adversarial Networks for Image Super Resolution via Latent Space Regularization},
author = {Sheng Zhong and Shifu Zhou},
journal= {arXiv preprint arXiv:2001.08126},
year = {2021}
}
备注
11 pages, 5 figures