青岛营销型网站,四川seo推广,网页设计与网站建设课程设计,百度引擎搜索网址AbstractCNN在传统的单帧超分辨率重建上取得了非常好的效果#xff0c;可以取得较高的峰值信噪比(PSNR)。他们大都以MSE为最小化的目标函数#xff0c;这样虽然可以取得较高的峰值信噪比#xff0c;但是当图像下采样倍数较高时#xff0c;重建的得到的图片会过于平滑#…AbstractCNN在传统的单帧超分辨率重建上取得了非常好的效果可以取得较高的峰值信噪比(PSNR)。他们大都以MSE为最小化的目标函数这样虽然可以取得较高的峰值信噪比但是当图像下采样倍数较高时重建的得到的图片会过于平滑丢失细节。本文提出了利用GAN来进行超分辨率重建的方法该网络是第一个能恢复4倍下采样图像的框架。作者提出的损失函数有两部分组成对抗损失内容损失。对抗损失将图像映射到高位流形空间并用判别网络去判别重建后的图像和原始图像。而内容损失则是基于感觉相似性(perceptual similarity)而非像素相似性(pixel similarity)。Intruction所谓超分辨率重建就是将低分辨率图像恢复成对应的高分辨率图像。但是由于低分辨率图像信息的缺失这是一个病态的求逆问题尤其是在恢复的倍数较高的时候。传统的方法考虑加入一些先验信息以恢复高分辨率图像(如插值法)此外还有基于回归方法的随记森林也可以用于超分问题。稀疏学习CNN在超分上也取得了非常好的效果特别是CNN使得超分已经可以达到实时应用。Method作者提出的网络结构如下网络结构生成网络由残差结构组成并结合BN生成的图像丢到判别网络中交给判别器判断是生成的高分辨率图像还是真正的高分辨率图像。作者主要的创新点在于代价函数的设计尤其是将逐像素损失替换为内容损失。作者提出的损失函数由以下三部分加权组成Content Loss内容损失函数这一项说白了就是对某一层的特征图的逐像素损失作为内容损失(而不是最后输出结果的逐像素损失)。这样可以学得图像所在的流形空间。(这句话我也没太懂是什么意思个人理解大概就是可以学得一些高层的语义特征结构信息)Adversarial Loss对抗损失项作者用的对抗损失项用负对数求和替换原来的代价函数这样有利于训练。(作者给的参考文献提到了原因有兴趣可以看看)。Regularization Loss作者利用基于全变差的正则项以鼓励产生具有空间相似性的结果。具体公式如下正则损失Experiments作者用sub-pixel网络作为生成网络用VGG作为判别网络构建GAN得到了非常好的结果但是这个用的是逐像素差作为损失函数。之后作者尝试了自己提出的感知损失函数作为优化目标虽然PSNR和SSIM不高但是视觉效果都要优于其他网络避免了其他方法的过度平滑的特性。Conclusion作者本文的贡献主要有两点提出的SRResNet取得了state-of-art的结果将感知损失引入GAN实现了4倍超分辨率重建
