Bildsuperauflösung auf Basis von Deep Learning unter Berücksichtigung quantitativer und perceptiver Qualität

Kürzlich wurde gezeigt, dass bei der Super-Resolution eine Spannung zwischen der quantitativen und der perzeptuellen Qualität von hochaufgelösten Bildern besteht, wobei die quantitative Qualität der Ähnlichkeit zu den Originalbildern (ground-truth images) und die perzeptuelle Qualität der Natürlichkeit entspricht. In dieser Arbeit schlagen wir eine neuartige Super-Resolution-Methode vor, die die perzeptuelle Qualität der vergrößerten Bilder verbessert, während sie die konventionelle quantitative Leistung beibehält. Das vorgeschlagene Verfahren nutzt ein tiefes Netzwerk für mehrstufige Vergrößerung in Kombination mit einem Diskriminator-Netzwerk und zwei quantitativen Score-Predictor-Netzwerken. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Verfahren eine gute Balance zwischen quantitativer und perzeptueller Qualität erreicht und zufriedenstellendere Resultate als bestehende Methoden liefert.