Foto-realistische Einzelbild-Super-Resolution mit einem generativen adversären Netzwerk

Trotz der Fortschritte in Genauigkeit und Geschwindigkeit der Super-Resolution (SR) von einzelnen Bildern durch schnellere und tiefere Faltungsschichtnetze bleibt ein zentrales Problem weitgehend ungelöst: Wie können wir feinere Texturdetails bei großen Skalierungsfaktoren wiederherstellen? Das Verhalten von optimierungsbasierenden Super-Resolution-Methoden wird grundsätzlich durch die Wahl der Zielfunktion bestimmt. Kürzliche Arbeiten haben sich hauptsächlich auf das Minimieren des mittleren quadratischen Rekonstruktionsfehlers konzentriert. Die daraus resultierenden Schätzungen weisen hohe Spitzen-Signal-Rausch-Verhältnisse auf, aber sie fehlen oft an Hochfrequenzdetails und sind im Sinne der Wahrnehmung unbefriedigend, da sie nicht die Treue erfüllen, die man von höheren Auflösungen erwartet. In dieser Arbeit stellen wir SRGAN vor, ein generatives adversariales Netzwerk (GAN) für Bildsuperresolution (SR). Nach unserem Wissen ist es das erste Framework, das in der Lage ist, fotorealistische natürliche Bilder für Skalierungsfaktoren von 4x zu inferieren. Um dies zu erreichen, schlagen wir eine perzeptive Verlustfunktion vor, die aus einem adversariellen Verlust und einem Inhaltsverlust besteht. Der adversarielle Verlust treibt unsere Lösung durch ein Diskriminator-Netzwerk, das trainiert wird, zwischen superaufgelösten Bildern und originalen fotorealistischen Bildern zu unterscheiden, zur natürlichen Bildmannigfaltigkeit. Zudem verwenden wir einen Inhaltsverlust, der auf perzeptiver Ähnlichkeit basiert anstatt auf Ähnlichkeit im Pixelraum. Unser tiefes Residualnetzwerk ist in der Lage, fotorealistische Texturen aus stark abgetasteten Bildern in öffentlichen Benchmarks wiederherzustellen. Eine umfangreiche mittlere Meinungsbewertung (MOS) zeigt enorme qualitative Verbesserungen durch die Nutzung von SRGAN. Die mit SRGAN erzielten MOS-Werte nähern sich denen der originalen hochaufgelösten Bilder stärker an als jene, die mit irgendeiner anderen Stand-of-the-Art-Methode erhalten wurden.请注意，这里的“法语”应该是“德语”，因此我在翻译时使用了德语。如果有任何其他需求或疑问，请随时告知。