面向对抗学习的质量图融合
计算机视觉与模式识别
2021-10-26 v1 图像与视频处理
摘要
捕获显著低级特征（这些特征与人体视觉系统（HVS）相关联地传达视觉信息）的生成对抗模型仍然遭受可感知的图像退化。无法传达此类高信息量特征可归因于模式崩溃、收敛失败和梯度消失。在本文中，我们通过引入一种新颖的质量图融合技术来对抗性地提升图像质量，该技术利用类似于 HVS 的图像特征和深度卷积神经网络（DCNN）的感知特性。我们将被广泛采用的 l2 Wasserstein 距离度量扩展到源自 Banach 空间的其他更优质量范数，这些范数捕获更丰富的图像属性，如结构、亮度、对比度和图像的自然度。我们还表明，结合感知注意力机制（PAM）——该机制从网络瓶颈提取全局特征嵌入，并与源自标准图像质量度量的聚合感知图相结合——可转化为更好的图像质量。我们还展示了相对于其他方法的优异性能。
引用
@article{arxiv.2110.12338,
title = {Quality Map Fusion for Adversarial Learning},
author = {Uche Osahor and Nasser M. Nasrabadi},
journal= {arXiv preprint arXiv:2110.12338},
year = {2021}
}