用于无监督图像复原的再增强自协作并行提示 GAN

基于生成对抗网络（GAN）的无监督复原方法无需配对数据集，提供了一种有前景的解决方案。然而，这些基于 GAN 的方法在不显著修改模型结构或增加计算复杂度的情况下，难以超越传统无监督 GAN 框架的性能。为了解决这些问题，我们为现有复原模型提出了一种自协作（SC）策略。该策略利用前一阶段的信息作为反馈来指导后续阶段，在不增加框架推理复杂度的情况下实现显著的性能提升。SC 策略包含一个提示学习（PL）模块和一个复原器（Res）。它迭代地用更强大的 Res 替换 PL 模块中先前较弱的固定复原器 Res。增强后的 PL 模块生成更好的伪退化/干净图像对，从而为下一次迭代产生更强大的 Res。我们的 SC 可以在推理过程中不增加额外参数或计算复杂度的情况下，将 Res 的性能显著提升超过 1.5 dB。同时，现有的自集成（SE）和我们的 SC 策略从不同角度增强了预训练复原器的性能。由于 SE 在推理过程中增加了计算复杂度，我们向 SC 提出了一个再增强模块（Reb-SC），通过将 SE 融入 SC 而不增加推理时间，进一步改进 SC 策略。这种方法进一步将复原器的性能提升了约 0.3 dB。在复原任务上的大量实验结果表明，所提出的模型性能优于现有的最先进无监督复原方法。源代码和训练模型已公开在：https://github.com/linxin0/RSCP2GAN。