面向压缩感知图像重缩放的自非对称可逆网络

高分辨率（HR）图像通常被下采样为低分辨率（LR）图像以获得更好显示，之后再上采样回原始尺寸以恢复细节。近期图像重缩放工作将下采样与上采样表述为统一任务，并通过可逆网络学习 HR 与 LR 之间的双射映射。然而，在真实世界应用（如社交媒体）中，大多数图像会被压缩以传输。有损压缩会导致 LR 图像上不可逆的信息损失，从而破坏逆向上采样过程并降低重建精度。本文中，我们提出自非对称可逆网络（SAIN）用于压缩感知图像重缩放。为应对分布偏移，我们首先开发了一个端到端非对称框架，对高质量与压缩 LR 图像分别采用两个独立的双射映射。然后，基于对该框架的实证分析，我们使用各向同性高斯混合对丢失信息（包括下采样与压缩）的分布建模，并提出增强可逆块以在一次前向传播中导出高质量/压缩 LR 图像。此外，我们设计了一组损失来正则化所学 LR 图像并增强可逆性。大量实验表明，在标准图像压缩格式（即 JPEG 和 WebP）下，SAIN 在各种图像重缩放数据集上的定量与定性评估均取得一致提升。