基于流形与感知损失的鲁棒超分辨率GAN
计算机视觉与模式识别
2019-03-19 v1
摘要
使用深度神经网络的超分辨率通常依赖于高度精选的训练集，而在临床部署场景中往往难以获取。采用假设残差为高斯分布的损失函数会使学习对临床训练集中的损坏敏感。我们提出了新的损失函数，通过对残差建模重尾非高斯分布，从而对训练集中的损坏具有鲁棒性。我们提出了一种基于自编码器流形距离的损失，用于超分辨图像与高分辨图像之间，以在超分辨图像中重现逼真的纹理内容。我们提出学习将图像超分辨以匹配人类对结构、亮度和对比度的感知。在大型临床数据集上的结果表明了我们各项贡献的优势，其中我们的框架优于当前最优方法(SOTA)。
引用
@article{arxiv.1903.06920,
title = {Robust Super-Resolution GAN, with Manifold-based and Perception Loss},
author = {Uddeshya Upadhyay and Suyash P. Awate},
journal= {arXiv preprint arXiv:1903.06920},
year = {2019}
}
备注
IEEE International Symposium on Biomedical Imaging (ISBI)-2019