Ein One-to-Many-Ansatz zur Verbesserung der Super-Resolution

In letzter Zeit wurde über die schlecht gestellte Natur der Super-Resolution diskutiert, da für ein gegebenes Niedrigauflösungsbild mehrere mögliche Rekonstruktionen existieren. SRflow[23] erreicht durch die Anwendung von Normalisierungsflüssen die derzeit beste perceptuelle Qualität, indem es die Verteilung der Ausgabe lernt, anstatt eine deterministische Ausgabe zu einer einzigen Schätzung zu produzieren. In diesem Paper adaptieren wir die Konzepte von SRflow, um die Super-Resolution basierend auf GANs durch eine korrekte Implementierung der ein-zu-viele-Beziehung zu verbessern. Wir modifizieren den Generator dahingehend, dass er eine Verteilung als Abbildung aus zufälligem Rauschen schätzt. Zudem verbessern wir die Content-Loss-Funktion, die die perceptuelle Trainingsziele beeinträchtigt. Außerdem stellen wir zusätzliche Trainingsstrategien vor, um die perceptuelle Qualität der generierten Bilder weiter zu steigern. Mit unseren vorgeschlagenen Methoden konnten wir die Leistung von ESRGAN[1] bei der x4-perceptuellen Super-Resolution verbessern und den derzeit besten LPIPS-Score bei der x16-perceptuellen extremen Super-Resolution erzielen, indem wir unsere Ansätze auf RFB-ESRGAN[21] anwendeten.