摘要
最近的研究表明，深度神经网络可以显著提高单幅图像超分辨率（SISR）的性能。许多研究集中于提高超分辨率（SR）图像的定量质量。然而，这些以峰值信噪比（PSNR）最大化为目标的方法在较大的放大倍数下通常会产生模糊的图像。生成对抗网络（GANs）的引入可以缓解这一问题，并通过合成高频纹理展示令人印象深刻的结果。然而，基于GAN的方法往往倾向于添加虚假纹理甚至伪影，以使SR图像在视觉上显得更高分辨率。本文提出了一种新颖的感知图像超分辨率方法，该方法通过构建分阶段网络逐步生成高质量的视觉结果。具体而言，第一阶段专注于最小化像素级误差，第二阶段利用前一阶段提取的特征来追求更好的结构保留效果。最终阶段则使用由第二阶段提炼出的精细结构特征来生成更加逼真的结果。通过这种方式，我们可以在感知图像中尽可能地保持像素级和结构级的信息。值得注意的是，所提出的这种方法可以在前馈过程中构建三种类型的图像。此外，我们探索了一种新的生成器设计，该生成器采用了多尺度层次特征融合技术。在基准数据集上的广泛实验表明，我们的方法优于现有的最先进方法。代码可在https://github.com/Zheng222/PPON 获取。