Modulation for Real-World Super-Resolution

Metric Learning based Interactive Modulation for Real-World Super-Resolution

abstract:

提出一个度量学习基于交互调制来实现Real-world、就是尽可能模拟现实生活中的降化样式

用一个度量学习 方法给真实世界的图片(基本上退化是不可量化的)打分0-1以一种无监督的方式,然后通过这个叫锚点策略的,来调节vector根据这个分数。

现有的超分和它的方法区别,主要是降化过程和类型的区分

 

相关工作:

2.1讲了最近的超分,主要是blind SR和一些real-world sr的尝试,考虑的模拟真实退化简单,所以恢复效果取决于降化表征的准确性与否、

这个blind SR 和 none-blind SR的区别:

none-blind SR:就是退化核是自己确定的一个,就是最常见的,假设假定的一个退化模型,HR到LR然后用来train,然后用这个网络去inference。

blind sr:看了一篇文章,感觉 就是不用这个HR到LR的过程就是。但是有的文章,是通过学习我来学习一个比较接近真实世界的退化过程,然后我再来HR-LR,感觉这个更像是none-blind sr

改进版而已。

2.2 Interactive Modulation for Image Restoration

这个介绍好水。(这个交互调制真不知道是啥)

2.3 Metric Learning

这篇文章用度量学习用来预测降化水平以一种无监督方式

Methodology:

3.1 Overview:

由三个模块组成:a base network, a condition network, and an unsupervised degradation estimation module。

这个base network就是基本的超分backbone,是esrgan 即gan网路的。

基本流程就是:一个LR用无监督降化模块,得到分数,进一步train调节网络,然后调节网络的输出和lr一起作为base network的输入

 

3.2 Unsupervised Degradation Estimation Module (UDEM)

它先把噪声和模糊分为两大类

Module architecture

构建两个度量空间,分别噪声和模糊两大类:

 

度量学习的基本流程:用HR输入 然后经历复杂高阶的降化,训练得到两组,然后计算分数,然后再用锚点策略

 

Base network:

是一个gan 网络

The generator G accepts the input image and outputs the restored result, while the discriminator D aims to discriminate the restored result and the ground truth

用的是类似ESRGAN网络的generator,这个discriminator是用的real-esrgan中的。

Condition Network

Experiment:

评价:

后面就是一些标价指标衡量

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值