这篇论文探讨了一种新型的生成对抗网络（GAN）模型，它不直接使用像素损失，而是通过潜在空间衡量生成图像和真实图像的感知距离。与传统的超分辨率方法不同，该模型输入极低分辨率的图像，生成一系列与输入图像中心（对应z=0）相似但略有变化的高分辨率图像。实验表明，输入分辨率越低，生成图像的多样性越高，并且在潜在空间中自动平衡了像素精度和感知准确性。
写在最前：自己瞎叨叨的论文笔记，有问题感谢指出，感兴趣欢迎讨论( •̀ .̫ •́ )✧
Creating High Resolution Images with a Latent Adversarial Generato
0. Summary
有点像CGAN，输入由两部分组成包括极低分辨率的图像y和z～N(0,1)，极低分辨率的图像direct生成器生成a set of imgs，这组imgs以y对应的原始分辨率图像x（称为perceptaul center）为中心（对应z=0时取得），随着z取值的变化取得与x相似又微有不同的图。
不直接对raw数据算pixel-loss，而是在latent space衡量生成数据和假数据的距离
1. background
- 与sr的区别：
- 本文：输出a possible set of images
- sr：输出仅和输入的单张低分辨率图像对应的一张图像，目的是（降采样后）与输入尽可能相似
- 在image reconstruction任务中，多种task loss被结合在一起（例如pixel content distributional perceptual texture textual），需要人工调整
最低0.47元/天 解锁文章
扫一扫
2282
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
