基于质量注意力生成对抗网络的非配对图像增强
图像与视频处理
2021-01-01 v1 计算机视觉与模式识别
摘要
在这项工作中，我们旨在学习一个非配对图像增强模型，该模型可利用用户提供的高质量图像的特征来丰富低质量图像。我们提出了一种基于非配对数据训练的质量注意力生成对抗网络（QAGAN），其构建于嵌入质量注意力模块（QAM）的双向生成对抗网络（GAN）之上。所提 QAGAN 的关键新颖之处在于为生成器注入了 QAM，使其直接从两个域中学习域相关的质量注意力。更具体地，所提 QAM 使生成器能够分别从空间维度有效选择语义相关特征，并从通道维度自适应地融入风格相关属性。因此，在我们提出的 QAGAN 中，不仅判别器，生成器也能直接访问两个域，这极大促进了生成器对映射函数的学习。大量实验结果表明，基于非配对学习的现有最优方法相比，我们提出的方法在客观与主观评价中均取得更好性能。
引用
@article{arxiv.2012.15052,
title = {Unpaired Image Enhancement with Quality-Attention Generative Adversarial Network},
author = {Zhangkai Ni and Wenhan Yang and Shiqi Wang and Lin Ma and Sam Kwong},
journal= {arXiv preprint arXiv:2012.15052},
year = {2021}
}