Mehrschrittiges Verstärkendes Lernen für die Einzelbild-Überauflösung

Deep Learning (DL) ist heute in der Bildverarbeitungsforschung weit verbreitet, da es über eine erhebliche Leistungsfähigkeit und Vielseitigkeit verfügt. Es hat den Bereich der Single Image Super-Resolution (SISR) maßgeblich geprägt, da es die Erzeugung hochauflösender (HR) Bilder aus ihren entsprechenden niederauflösenden (LR) Vorlagen ermöglicht, insbesondere mithilfe von Generativen adversarialen Netzwerken (GANs). Das Interesse an der SISR beruht auf ihrem Potenzial, die Leistung zusätzlicher Bildverarbeitungsaufgaben wie Objekterkennung, -lokalisierung und -klassifikation zu steigern. In dieser Forschungsarbeit wird ein mehragentenbasiertes Reinforcement-Learning-(RL)-Verfahren auf die SISR angewandt, um einen fortschrittlichen Ensemblesansatz zur Kombination leistungsfähiger GANs zu entwickeln. In unserer Implementierung wählt jeder Agent aus einer festen Aktionenmenge, die aus den Ergebnissen bestehender GAN-basierter SISR-Algorithmen besteht, eine spezifische Aktion aus, um seine Pixelwerte zu aktualisieren. Die pixelweise oder patchweise Anordnung der Agenten sowie die Belohnungsstruktur fördern die Entwicklung einer Strategie durch das Verfahren, bei der die Auflösung eines Bildes durch die Auswahl der optimalen Pixelwerte aus den verfügbaren Optionen erhöht wird.