基于生成对抗网络的无监督深度图像增强
计算机视觉与模式识别
2021-01-06 v1
摘要
提升图像的美学质量具有挑战性且为大众所迫切需求。为解决此问题，大多数现有算法基于监督学习方法，从由低质量照片及相应专家润色版本组成的配对数据中学习自动照片增强器。然而，专家润色照片的风格与特征可能不符合普通用户的需求或偏好。在本文中，我们提出一种无监督图像增强生成对抗网络（UEGAN），它以无监督方式从一组具有期望特征的图像中学习相应的图像到图像映射，而非在大量配对图像上学习。所提模型基于单一深度 GAN，其中嵌入了调制与注意力机制以捕获更丰富的全局与局部特征。基于所提模型，我们引入两种损失来处理无监督图像增强：（1）保真损失，定义为预训练 VGG 网络特征域中的 L2 正则化，以确保增强图像与输入图像间内容一致；（2）质量损失，表述为相对铰链对抗损失，赋予输入图像期望特征。定量与定性结果均表明，所提模型有效提升了图像的美学质量。我们的代码见：https://github.com/eezkni/UEGAN。
引用
@article{arxiv.2012.15020,
title = {Towards Unsupervised Deep Image Enhancement with Generative Adversarial Network},
author = {Zhangkai Ni and Wenhan Yang and Shiqi Wang and Lin Ma and Sam Kwong},
journal= {arXiv preprint arXiv:2012.15020},
year = {2021}
}