SRDGAN：利用双生成对抗网络学习噪声先验用于超分辨率
多媒体
2019-03-29 v1
摘要
单图像超分辨率 (SISR) 是从给定低分辨率 (LR) 图像生成高分辨率 (HR) 图像的任务。这是一个研究充分且具有广泛商业应用的问题，如数码相机、视频压缩、医学成像等。大多数超分辨率工作聚焦于特征学习架构，可尽可能恢复纹理细节。然而，这些工作面临以下挑战：(1) 低分辨率 (LR) 训练图像是利用双三次下采样的高分辨率图像人工合成的，其信息比真实的去马赛克上采样移动图像丰富得多。训练与推理移动数据之间的不匹配严重阻碍了实用超分辨率算法的改进。(2) 这些方法无法有效处理实际应用中超分辨率的盲失真。本工作中，提出一种端到端新框架，包含高到低网络和低到高网络，利用双生成对抗网络 (GAN) 解决上述问题。首先，利用高到低网络充分探究上述不匹配问题，可生成清晰高分辨率图像及相应真实低分辨率图像对。此外，提出大规模通用移动超分辨率数据集 GMSR，可用于训练或作为超分辨率方法的公平比较基准。其次，框架中提出一种有效的低到高网络（超分辨率网络）。得益于 GMSR 数据集与新训练策略，该超分辨率模型可同时有效处理细节恢复与去噪。
引用
@article{arxiv.1903.11821,
title = {SRDGAN: learning the noise prior for Super Resolution with Dual Generative Adversarial Networks},
author = {Jingwei Guan and Cheng Pan and Songnan Li and Dahai Yu},
journal= {arXiv preprint arXiv:1903.11821},
year = {2019}
}