WPPNets 与 WPPFlows：Wasserstein 块先验用于超分辨率的力量
计算机视觉与模式识别
2023-08-11 v3 机器学习
图像与视频处理
摘要
利用图像块而非整幅图像已被证明是解决图像处理中各类问题的一种强大方法。最近，基于未知图像与参考图像的块分布比较的 Wasserstein 块先验（WPP）已成功用作超分辨率变分公式中的数据驱动正则化器。然而，对于每个输入图像，该方法需要求解一个非凸最小化问题，计算代价高昂。在本文中，我们提出基于 WPP 损失函数以无监督方式学习两类神经网络。首先，我们展示如何引入卷积神经网络（CNNs）。一旦称为 WPPNet 的网络被学习，它便可高效地应用于任意输入图像。其次，我们引入条件归一化流以提供不确定性量化工具。数值例子证明了 WPPNets 在各种图像类别上用于超分辨率的优异性能，即使前向算子仅被近似已知。
引用
@article{arxiv.2201.08157,
title = {WPPNets and WPPFlows: The Power of Wasserstein Patch Priors for Superresolution},
author = {Fabian Altekrüger and Johannes Hertrich},
journal= {arXiv preprint arXiv:2201.08157},
year = {2023}
}