流模型所张成的超分辨率空间中的感知-失真权衡
计算机视觉与模式识别
2022-09-20 v1 机器学习
图像与视频处理
信号处理
摘要
基于流的生成式超分辨率（SR）模型学习产生一组多样的可行 SR 解，称为 SR 空间。SR 解的多样性随潜变量温度（）增大而增加，这引入了样本解之间纹理的随机变化，导致视觉伪影和低保真度。本文提出一种简单而有效的图像集成/融合方法，以获得单张 SR 图像，消除随机伪影并在不显著损害感知质量的前提下提升保真度。我们通过利用流模型所张成的 SR 空间中一组多样的可行照片级真实解来实现这一点。我们提出不同的图像集成与融合策略，根据手头任务对保真度与感知质量的要求，提供多条路径将样本解在 SR 空间中以可控方式移至感知-失真平面上更理想的目标位置。实验结果表明，在定量指标和视觉质量方面，我们的图像集成/融合策略相比流模型和对抗训练模型生成的样本 SR 图像实现了更有前景的感知-失真权衡。
引用
@article{arxiv.2209.08564,
title = {Perception-Distortion Trade-off in the SR Space Spanned by Flow Models},
author = {Cansu Korkmaz and A. Murat Tekalp and Zafer Dogan and Erkut Erdem and Aykut Erdem},
journal= {arXiv preprint arXiv:2209.08564},
year = {2022}
}
备注
5 pages, 4 figures, accepted for publication in IEEE ICIP 2022 Conference