基于最优目标估计的感知导向单图像超分辨率
计算机视觉与模式识别
2023-03-14 v3 图像与视频处理
摘要
与采用L1或L2等失真导向损失训练的网络相比，采用感知与对抗损失训练的单图像超分辨率（SISR）网络可提供高对比度输出。然而，已有研究表明，使用单一感知损失不足以准确恢复图像中局部变化的多样形状，常产生不良伪影或不自然细节。为此，人们尝试组合感知、对抗与失真等多种损失，但寻找最优组合仍具挑战。因此，本文提出一种新的SISR框架，对每个区域应用最优目标，以在高分辨率输出的整体区域生成合理结果。具体而言，该框架包含两个模型：推断给定低分辨率（LR）输入的最优目标图的预测模型，以及将目标图应用于生成相应SR输出的生成模型。生成模型在我们提出的目标轨迹（表示一组基本目标）上训练，使单一网络能学习轨迹上对应组合损失的各种SR结果。预测模型使用从目标轨迹搜索得到的LR图像与对应最优目标图对进行训练。在五个基准上的实验结果表明，所提方法在LPIPS、DISTS、PSNR和SSIM指标上优于最先进的感知驱动SR方法。视觉结果也证明了我们的方法在感知导向重建中的优越性。代码与模型见 https://github.com/seungho-snu/SROOE。
引用
@article{arxiv.2211.13676,
title = {Perception-Oriented Single Image Super-Resolution using Optimal Objective Estimation},
author = {Seung Ho Park and Young Su Moon and Nam Ik Cho},
journal= {arXiv preprint arXiv:2211.13676},
year = {2023}
}
备注
CVPR 2023 accepted. Code and trained models will be available at https://github.com/seungho-snu/SROOE