SREdgeNet：利用密集边缘检测网络与特征融合网络的边缘增强单图像超分辨率

基于深度学习的单图像超分辨率（SR）方法在过去几年中快速发展，并在传统方法上取得了最先进的性能。由于这些方法通常最小化输出 SR 图像与真实图像之间的 l1 损失，它们产生了非常高的峰值信噪比（PSNR），该指标与这些损失成反比。遗憾的是，最小化这些损失不可避免地因可行解的平均而导致边缘模糊。近期，SRGAN 被提出以通过最小化感知损失而非 l1 损失来避免该平均效应，并以降低 PSNR 为代价产生了感知上更好的 SR 图像（或具有锐利边缘的图像）。本文中，我们提出 SREdgeNet，一种边缘增强单图像 SR 网络，其受传统 SR 理论启发，使得平均效应可通过改变 SR 网络特性而非改变损失、在相同的 l1 损失下得以避免。我们的 SREdgeNet 由 3 个顺序深度神经网络模块组成：第一个模块是任意最先进 SR 网络，我们选用了 EDSR 的一个变体。第二个模块是任意以第一 SR 模块输出为输入的边缘检测网络，我们为此模块提出 DenseEdgeNet。最后，第三个模块融合第一和第二模块的输出以产生边缘增强的 SR 图像，我们为此模块提出 MergeNet。在定性上，与其他最先进 SR 方法相比，我们所提方法产生了具有锐利边缘的图像。在定量上，我们的 SREdgeNet 在结构相似性（SSIM）方面取得了最先进的性能，同时在 x8 放大下保持了可比的 PSNR。