EnhanceNet: Einzelbild-Superauflösung durch automatisierte Textursynthese

Die Aufgabe der Single-Image-Super-Resolution besteht darin, ein hochauflösendes Bild aus einer einzelnen niedrigauflösenden Eingabe zu inferieren. Traditionell wird die Leistung von Algorithmen für diese Aufgabe mit pixelbasierten Rekonstruktionsmaßen wie dem Peak Signal-to-Noise Ratio (PSNR) gemessen, die sich als schlecht mit der menschlichen Wahrnehmung der Bildqualität korrelierend erwiesen haben. Als Folge neigen Algorithmen, die diese Metriken minimieren, dazu, überglättete Bilder zu erzeugen, die hohe Frequenztexturen fehlen und nicht natürlich aussehen, obwohl sie hohe PSNR-Werte liefern.Wir schlagen eine neuartige Anwendung automatisierter Textursynthese vor, kombiniert mit einem wahrnehmungsorientierten Verlustfunktion, die darauf abzielt, realistische Texturen zu erstellen anstatt eine pixelgenaue Rekonstruktion der Ground-Truth-Bilder während des Trainings zu optimieren. Durch den Einsatz von feedforward vollständig konvolutionellen neuronalen Netzen in einem adversären Trainingssetting erreichen wir einen signifikanten Qualitätsanstieg bei hohen Vergrößerungsfaktoren. Ausführliche Experimente auf verschiedenen Datensätzen zeigen die Effektivität unseres Ansatzes und führen zu Stand-of-the-Art-Ergebnissen sowohl in quantitativen als auch qualitativen Benchmarks.