PLUSE论文阅读笔记

题目：PULSE: Self-Supervised Photo Upsampling viaLatent Space Exploration of Generative Models

中文：PLUSE：通过生成模型的潜在空间探索进行自我监督的照片升采样

摘要

• 单图像超分辨率的主要目的是从对应的低分辨率（LR）输入构建高分辨率（HR）图像。在通常受到监督的以前的方法中，训练目标通常会进行测量超分辨（SR）和HR图像之间的像素方向平均距离。【缺点】优化此类指标通常会导致模糊，尤其是在高方差（详细）区域中。我们基于创建正确缩小比例的逼真的SR图像，提出了另一种模拟超分辨率问题的方案。我们提出了一种新颖的超分辨率算法，用于解决该问题PULSE（通过潜在空间探索进行照片上采样），该算法可生成以前文献中未曾见过的高分辨率，逼真的图像。它完全以自我监督的方式完成此任务，并且不限于训练过程中使用的特定降级算子，这不同于以前的方法（后者需要训练LR-HR图像对的数据库以进行监督学习）。 PULSE不是遍历LR图像并慢慢添加细节，而是遍历高分辨率的自然图像流形，搜索缩小到原始LR图像的图像。这是通过“按比例缩小的损失”来形式化的，该损失会指导生成模型潜在空间的探索。通过利用高维高斯的属性，我们限制了搜索空间以确保我们的输出是现实的。因此，PULSE可以生成既真实又正确缩小比例的超分辨率图像**。我们显示了广泛的实验结果，证明了我们的方法在面部超分辨率领域（也称为面部幻觉）的有效性。我们还介绍了当前使用带有相关指标的伴随模型卡实施的方法的局限性和偏见。我们的方法在感知质量上优于最新方法，并且分辨率和比例因子都比以前更高

背景：在以前的受到监督的方法中，测量超分辨（SR）和HR图像之间的像素方向平均距离。优化此类指标通常会导致模糊。
方法：
结论：我们的方法在感知质量上优于最新方法，并且分辨率和比例因子都比以前更高

</