基于真实世界退化模式的无监督图像超分辨率重建
计算机视觉与模式识别
2025-06-23 v1 图像与视频处理
摘要
真实世界超分辨率重建模型的训练严重依赖反映真实世界退化模式的数据集。仅使用真实世界低分辨率 (LR) 图像提取和建模退化模式 remains 一个具有挑战性的任务。在合成数据集以模拟真实世界退化时，仅依赖退化提取方法无法捕获跨越不同 LR 分布的模糊和多样化噪声特征，以及诸如色域偏移等更隐含的退化。相反，仅靠域转换无法准确逼近真实世界的模糊特征，due to 合成数据与真实数据之间的显著退化域差距。为此，我们提出了一种新的TripleGAN框架，包含两个战略设计的组件：FirstGAN 主要聚焦于缩小模糊特征之间的域差距，而SecondGAN 执行域特定的翻译以逼近目标域的模糊属性并学习额外的退化模式。ThirdGAN 在由FirstGAN和SecondGAN 生成的伪真实数据上进行训练，用于重建真实世界的LR图像。在RealSR和DRealSR数据集上的大量实验表明，我们的方法在定量指标上显现出明显优势，同时保持锐利的重建，无需过度平滑。该框架有效地从LR观测中学习真实世界的退化模式，并合成具有相应退化特征的对齐数据集，从而使训练好的网络能够实现在真实世界LR输入上获得更佳性能的高质量SR图像重建。
引用
@article{arxiv.2506.17027,
title = {Unsupervised Image Super-Resolution Reconstruction Based on Real-World Degradation Patterns},
author = {Yiyang Tie and Hong Zhu and Yunyun Luo and Jing Shi},
journal= {arXiv preprint arXiv:2506.17027},
year = {2025}
}