【超分辨率】Zoom to Learn, Learn to Zoom

前几天陈启峰大佬在我司内部分享几篇关于图像增强的文章.其中就有这篇。这篇文章是超分辨率落地的一个比较重要的文章,跟以往自己去做高/低分辨率数据集不同,本文采取了单反直接去制作数据集,在真实场景上效果非常好。本文也被CVPR2018接收了。

论文名称:Zoom to Learn, Learn to Zoom

背景:

与以往的超分辨率算法不同,本文并没有去对高分辨率图像进行bicubic降采样来制作低分辨率图片。这类低分辨率图像往往不满足真实的低分辨率图像分布,因此经常会出现比较尴尬的事情就是在标准数据集上效果很不错,而到真实应用的时候,效果太弱。或是增强了原低分辨率图像上的artifacts。
在这个背景下,本文直接去用单反去拍摄图片,高分辨率的图像由长焦距拍摄,低分辨率图像用短焦距去拍摄。此处需要注意的是,本文训练的数据均是Raw Data,这是专业单反拍摄的格式,而RGB图片是Raw Data经过图像处理器(Image SIgnal Processer, ISP)制作的,在某种程度上来说,RGB图片也是有损的。
由于本文采取自己制作数据集,因此需要对同一个图像进行对准,然而相机上的不同配置很难将高低分辨率图像进行完整对齐。在本文使用的单反,8M分辨率拍摄的图像会有40-50pixel的偏差。因此这将与之前的超分辨率算法不同,低分辨率图像与高分辨率图像的位置是一一对应的。本文第二个insight就是提出coBi损失函数,能够对这种misalignment很好的进行处理。

本文两个insight

  • 1 train CNN from Raw Data
  • 2 CoBi Loss function

Raw Data

我们知道RGB图像是三通道图像,每一个通道分别对应着R,G,B通道。本文采取直接去提取单反拍摄的raw bayer data。
这里简单的介绍一下什么是bayer马赛克
在这里插入图片描述
左边这种RGB如此排列的称之为Bayer马赛克,右边是另一种Raw Data 格式Xtrans,此处暂且不表,感兴趣可以查看 https://petapixel.com/2017/03/03/x-trans-vs-bayer-sensors-fantastic-claims-test/

CoBi Loss:

Contextual Bilateral Loss: 是由contextual loss改进而来,此处回顾一下contextual loss(CX), 该损失函数是为了训练非对其数据。假如Source Image P存在一系列的feature points p i N p_i^N piN,目标图像Q存在一系列的feature points q j M q_j^M qjM
。对于每一个源特征p都会去检索最近邻q,并讲其match程度作为 q = a r g m i n D ( p , q j ) j M q=argminD(p,q_j)^M_j q=argminD(p,qj)jM。那么给定输入图像P和目标图像Q,CX Loss就是去minimize 这个match程度。
C X ( P , Q ) = 1 N ∑ i N m i n ( D p i , q j ) CX(P,Q) = \frac{1}{N} \sum^N_i min(D_{p_i, q_j}) CX(P,Q)=N1iNmin(Dpi,qj)

事实上作者去用这个loss去训练模型发现会出现很多artifacts。作者认为这是由于CX损失函数中不准确的特征匹配造成的。
受到保边滤波器的启发, 作者将空间区域也加入到损失函数中,得到本文的第二个insight,Contexual Bilateral Loss:
C o B i ( P , Q ) = 1 N ∑ i N m i n ( D p i , q j + w s D p i , q j ′ ) CoBi(P,Q) = \frac{1}{N} \sum^N_i min(D_{p_i, q_j} + w_{s} D_{p_i, q_j}') CoBi(P,Q)=N1iNmin(Dpi,qj+wsDpi,qj)
其中:
D p i , q j ′ = ∣ ∣ ( x i , y i ) − ( x j , u j ) ∣ ∣ 2 D_{p_i,q_j}' = || (x_i, y_i) - (x_j, u_j)||_2 Dpi,qj=(xi,yi)(xj,uj)2
另外作者借鉴感知损失,引入VGG loss。
本文最终的Loss为:
C o B i ( P , Q ) + λ C o B i v g g ( P , Q ) CoBi(P,Q) + \lambda CoBi_{vgg}(P,Q) CoBi(P,Q)+λCoBivgg(P,Q)

实验结果

在这里插入图片描述

  • 2
    点赞
  • 14
    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