用于图像增强的投影分布损失
计算机视觉与模式识别
2021-05-18 v2 图像与视频处理
摘要
从目标识别 CNN 中提取的特征已被广泛用于度量图像间的感知相似性。此类可微度量可作为感知学习损失来训练图像增强模型。然而，输入特征与目标特征之间距离函数的选择可能对训练模型的性能产生重大影响。使用提取特征之差的范数会导致细节幻觉有限，而度量特征分布之间的距离可能生成更多纹理，但也会产生更多不真实细节与伪影。本文中，我们证明聚合 CNN 激活之间的 1D-Wasserstein 距离比现有方法更可靠，并能显著提升增强模型的感知性能。更明确地说，我们表明在去噪、超分辨率、去马赛克、去模糊和 JPEG 伪影去除等成像应用中，所提出的学习损失在基于参考的感知损失上优于当前最先进水平。这意味着所提出的学习损失可插入不同成像框架并产生感知真实的结果。
引用
@article{arxiv.2012.09289,
title = {Projected Distribution Loss for Image Enhancement},
author = {Mauricio Delbracio and Hossein Talebi and Peyman Milanfar},
journal= {arXiv preprint arXiv:2012.09289},
year = {2021}
}