本文介绍了使用生成对抗网络（GANs）进行车牌图像超分辨率的方法，旨在提升交通监控系统的车牌识别准确性。相较于传统的最小化均方误差（MSE）方法，提出的GANs模型结合感知损失函数，能生成更高质量的高分辨率车牌图像。实验结果显示，该方法在视觉效果上优于传统技术，如双三次插值和SRCNN。
最近在研究文字图像的超分辨率，下载了几篇论文，准备略读一下，每篇文章写个笔记做记录。
Paper：Super Resolution of Car Plate Images Using Generative Adversarial Networks
Abstract
车牌识别可以用于交通监控系统，例如智能停车场管理，查找被盗车辆和自动高速公路收费。在低分辨率监视系统中，车牌文本通常难以辨认。通过将一系列LR图像处理为单个高分辨率（HR）图像，可以使用超高分辨率（SR）技术来提高车牌识别的准确率。以前的方法总是最小化均方损失（MSE），以提高峰值信噪比（PSNR）。但是，最小化均方损失会导致重建图像过于平滑。在本文中，提出了基于生成对抗网络（GAN）的超分方法，将LR图像重构为HR图像。除此之外，提出了感知损失来解决平滑问题。将基于GAN的SR生成图像的质量与现有技术（例如双三次BICUBIC，超分辨率卷积神经网络SRCNN）进行比较。结果表明，与以前的方法相比，使用基于GANs的SR重建的图像在感知质量方面取得
最低0.47元/天 解锁文章
扫一扫
6471
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
