17 天前

用于任意尺度图像超分辨率的局部隐式归一化流

Jie-En Yao, Li-Yuan Tsao, Yi-Chen Lo, Roy Tseng, Chia-Che Chang, Chun-Yi Lee
用于任意尺度图像超分辨率的局部隐式归一化流
摘要

基于流的方法通过利用归一化流(normalizing flow)学习高分辨率(HR)图像的分布,在解决超分辨率(SR)问题的病态性方面展现了令人瞩目的成果。然而,这类方法通常只能实现预设的固定缩放倍数的超分辨率,限制了其在真实场景中的应用潜力。与此同时,任意尺度超分辨率(arbitrary-scale SR)近年来受到越来越多关注,并取得了显著进展。尽管如此,以往的任意尺度超分辨率方法往往忽视了问题的病态本质,采用逐像素L1损失进行模型训练,导致生成结果模糊,细节缺失。针对上述问题,本文提出“局部隐式归一化流”(Local Implicit Normalizing Flow, LINF),作为一种统一的解决方案。LINF利用归一化流建模不同缩放因子下图像纹理细节的分布,从而能够在任意缩放倍数下生成具有丰富纹理细节、逼真自然的高分辨率图像。通过大量实验验证,LINF在感知质量方面显著优于现有的任意尺度超分辨率方法,达到了当前最优水平。