🌟Paper:EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis
📖Abstract
传统上,超分辨率任务的算法性能是用像素级的评价标准来衡量的,如峰值信噪比(PSNR),这已被证明与人类对图像质量的感知相关性很低。因此,最小化这些指标的算法往往会产生过度平滑的图像,尽管产生高的PSNR值,但缺乏高频纹理,看起来不自然。
我们提出了一种新的自动纹理合成的方法,结合感知损失,重点是创造真实的纹理,而不是在训练期间优化对GT图像的像素精确度。通过在对抗性训练环境中使用前馈全卷积神经网络,我们在高放大率下实现了图像质量的显著提升。
📖Introduction
一个关键的问题是,对于大的下采样系数来说,高频信息的损失使得超分辨率图像中的纹理区域变得模糊,过于光滑,且不自然。
这种现象的原因在于目前最先进的方法所采用的目标函数的选择:大多数方法最小化HR真实图像和它从LR重建图像之间的像素平均平方误差(MSE),然而这已被证明与人类对图像质量的感知相关性很差。
Perceptual image quality assessment using a normalized Laplacian pyramid
虽然容易最小化,但MSE估计器返回许多可能的解决方案的平均值,这使得SISR的结果看起来不自然和不可靠(参见图2)。
在这项工作中,我们采取了不同