摘要
超分辨率是一个病态问题，因为给定一幅低分辨率图像，可能存在多种合理的高分辨率重建结果。这一根本性特征在当前基于深度学习的先进方法中普遍被忽视。这些方法通常通过组合重建损失与对抗性损失，训练一个确定性的映射关系。为此，本文提出SRFlow：一种基于归一化流（normalizing flow）的超分辨率方法，能够学习在给定低分辨率输入条件下的输出分布。我们的模型采用单一损失函数——负对数似然（negative log-likelihood），以一种理论严谨的方式进行训练。因此，SRFlow能够直接建模问题的病态本质，并学习生成多样且逼真的高分辨率图像。此外，我们利用SRFlow所学习到的强大图像后验分布，设计了一系列灵活的图像编辑技术，能够实现诸如从其他图像迁移内容等增强操作，以进一步提升超分辨率图像的质量。我们在人脸图像以及通用超分辨率任务上进行了大量实验。结果表明，SRFlow在峰值信噪比（PSNR）和感知质量指标上均优于当前最先进的基于GAN的方法，同时通过探索超分辨率解空间，有效实现了输出结果的多样性。