基于无监督双向循环域迁移学习生成对抗网络的真实世界图像超分辨率
计算机视觉与模式识别
2023-01-04 v2 机器学习
图像与视频处理
摘要
深度卷积神经网络（DCNNs）在图像超分辨率任务上展现了令人印象深刻的性能。然而，这些基于深度学习的超分辨率方法在真实世界超分辨率任务中表现不佳，其中成对的高分辨率与低分辨率图像不可用，且低分辨率图像由复杂且未知的核退化。为打破这些限制，我们提出了基于无监督双向循环域迁移学习的生成对抗网络（UBCDTL-GAN），其由无监督双向循环域迁移网络（UBCDTN）和语义编码器引导的超分辨率网络（SESRN）组成。首先，UBCDTN 能够通过将 LR 图像从人工退化域迁移到真实世界 LR 图像域来生成近似的真实感 LR 图像。其次，SESRN 能够将近似的真实感 LR 图像超分辨为照片级真实感的 HR 图像。在无成对真实世界图像基准数据集上的大量实验表明，所提方法相比最先进的方法取得了优越性能。
引用
@article{arxiv.2211.10563,
title = {Real-World Image Super Resolution via Unsupervised Bi-directional Cycle Domain Transfer Learning based Generative Adversarial Network},
author = {Xiang Wang and Yimin Yang and Zhichang Guo and Zhili Zhou and Yu Liu and Qixiang Pang and Shan Du},
journal= {arXiv preprint arXiv:2211.10563},
year = {2023}
}
备注
12 pages, 5 figures,3 tables