- ECCV2018
- 问题引入:现有的方法使用成对的数据进行超分辨率模型的训练,但是LR的获取是从HR进行简单的下采样得到的,不能很好的反映现实情况;
- 概述:分为两个阶段,H2L和L2H
– High-to-Low:采用不成对的两个数据集,HR和LR训练,训练之后产生成对的HR-LR数据进行L2H的训练;
– Low-to-High:采用成对的两个数据集进行训练; - 损失函数:两个阶段使用的损失都是GAN loss和L2 pixel loss的结合,并且GAN loss为主导(和之前的方法GAN loss只是使图像更shaper一些做对比)
- l = α l p i x e l + β l G A N l = \alpha l_{pixel} + \beta l_{GAN} l=αlpixel+βlGAN
- GAN loss使用hinge loss l G A N = E x ∼ P r [ m i n ( 0 , − 1 + D ( x ) ) ] + E x ^ ∼ P g [ m i n ( 0 , − 1 − D ( x ^ ) ) ] l_{GAN} = \mathbb{E}_{x\sim \mathbb{P}_r}[min(0, -1+D(x))] + \mathbb{E}_{\widehat{x}\sim \mathbb{P}_g}[min(0, -1-D(\widehat{x}))] lGAN=Ex∼Pr[min(0,−1+D(x))]+Ex ∼Pg[min(0,−1−D(x ))],其中 P r \mathbb{P}_r Pr是只实际的数据分布, P g \mathbb{P}_g Pg指由generator生成的数据的数据分布;
- l p i x e l = 1 W H ∑ i = 1 W ∑ j = 1 H ( F ( I h r ) i , j − G θ G ( I d ) i , j ) 2 l_{pixel} = \frac{1}{WH}\sum_{i=1}^W\sum_{j=1}^H(F(I^{hr})_{i,j}-G_{\theta G}(I^d)_{i,j})^2 lpixel=WH1∑i=1W∑j=1H(F(Ihr)i,j−GθG(Id)i,j)2
To learn image super-resolution, use a GAN to learn how to do image degradation first
最新推荐文章于 2024-05-08 17:57:43 发布