Real-ESRGAN: Training von Real-World Blind Super-Resolution mit rein synthetischen Daten

Obwohl zahlreiche Ansätze zur blinden Super-Resolution unternommen wurden, um niedrigauflösende Bilder mit unbekannten und komplexen Degradationen zu rekonstruieren, bleiben sie weiterhin weit davon entfernt, allgemeine, realwelttypische verminderte Bilder effektiv zu behandeln. In dieser Arbeit erweitern wir das leistungsstarke ESRGAN zu einer praktischen Wiederherstellungsanwendung (nämlich Real-ESRGAN), das ausschließlich mit rein synthetischen Daten trainiert wurde. Insbesondere wird ein hochordentliches Degradationsmodell eingeführt, um komplexe realwelttypische Degradationen besser zu simulieren. Zudem berücksichtigen wir typische Artefakte wie Ringing und Überschwingen im Syntheseprozess. Außerdem setzen wir einen U-Net-Diskriminators mit spektraler Normalisierung ein, um die Fähigkeit des Diskriminators zu erhöhen und die Trainingsdynamik zu stabilisieren. Ausführliche Vergleiche zeigen, dass das Verfahren gegenüber vorherigen Ansätzen eine überlegene visuelle Leistung auf verschiedenen realen Datensätzen erzielt. Zudem stellen wir effiziente Implementierungen bereit, um Trainingspaare dynamisch in Echtzeit zu generieren.