RankSRGAN：具有学习排序能力的超分辨率生成对抗网络
计算机视觉与模式识别
2021-07-21 v1
摘要
生成对抗网络（GAN）已展现出恢复单图像超分辨率（SISR）真实细节的潜力。为进一步提升超分辨率结果的视觉质量，PIRM2018-SR 挑战赛采用感知度量来评估感知质量，如 PI、NIQE 和 Ma。然而，现有方法无法直接优化这些不可微的感知度量，而它们被证明与人类评分高度相关。为解决该问题，我们提出具有排序器（Ranker）的超分辨率生成对抗网络（RankSRGAN），以沿不同感知度量的方向优化生成器。具体而言，我们首先训练一个能学习感知度量行为的 Ranker，然后引入一种新颖的排序-内容损失来优化感知质量。最吸引人的部分是所提方法能结合不同 SR 方法的优势以生成更好的结果。此外，我们将方法扩展到多个 Ranker，为生成器提供多维约束。大量实验表明，RankSRGAN 取得了视觉上令人愉悦的结果，并在感知度量与质量上达到最先进（state-of-the-art）性能。项目主页：https://wenlongzhang0517.github.io/Projects/RankSRGAN
引用
@article{arxiv.2107.09427,
title = {RankSRGAN: Super Resolution Generative Adversarial Networks with Learning to Rank},
author = {Wenlong Zhang and Yihao Liu and Chao Dong and Yu Qiao},
journal= {arXiv preprint arXiv:2107.09427},
year = {2021}
}
备注
IEEE PAMI accepted. arXiv admin note: substantial text overlap with arXiv:1908.06382