超分辨率中可训练的损失权重

近年来,关于超分辨率过程中损失函数的研究十分有限。大多数此类研究仅常规地使用了感知相似性。然而,恰当损失函数的发展也能提升其他方法的质量。本文提出一种用于逐像素损失的新的加权方法。借助该方法,可在保持逐像素损失优势的同时,基于图像的整体结构及其感知特征使用可训练权重。此外,引入了一种用于比较损失权重的准则,使得权重可由卷积神经网络直接估计。并且,本文采用期望最大化方法对超分辨率网络与加权网络进行同步估计。另外,引入了一种称为“FixedSum”的新激活函数,其能在将输出分量保持在零到一之间的同时,使向量的所有分量之和保持恒定。实验结果表明,在最先进的网络上,所提方法的加权损失在信噪比与感知相似性意义上均优于未加权损失及基于不确定性的加权损失。代码已在线提供。