HyperAIHyperAI
il y a 2 mois

Flot Conditionnel Hiérarchique : Un Cadre Unifié pour le Suréchantillonnage et le Rééchelonnage d'Images

Liang, Jingyun ; Lugmayr, Andreas ; Zhang, Kai ; Danelljan, Martin ; Van Gool, Luc ; Timofte, Radu
Flot Conditionnel Hiérarchique : Un Cadre Unifié pour le Suréchantillonnage et le Rééchelonnage d'Images
Résumé

Les flux normalisants ont récemment montré des résultats prometteurs pour les tâches de vision de bas niveau. Pour la sur-résolution d'images (SR), ils apprennent à prédire des images haute résolution (HR) diverses et photo-réalistes à partir d'une image basse résolution (LR), plutôt qu'à apprendre une correspondance déterministe. Pour le redimensionnement d'images, ils atteignent une grande précision en modélisant conjointement les processus de réduction et d'agrandissement. Bien que les approches existantes utilisent des techniques spécialisées pour ces deux tâches, nous avons entrepris de les unifier dans une seule formulation. Dans cet article, nous proposons le flux conditionnel hiérarchique (HCFlow) comme cadre unifié pour la sur-résolution d'images et le redimensionnement d'images. Plus précisément, HCFlow apprend une correspondance bijective entre les paires d'images HR et LR en modélisant simultanément la distribution de l'image LR et la composante à haute fréquence restante. En particulier, la composante à haute fréquence est conditionnelle à l'image LR de manière hiérarchique. Pour améliorer encore les performances, d'autres pertes telles que la perte perceptuelle et la perte GAN sont combinées avec la perte logarithmique négative couramment utilisée lors de l'entraînement. De nombreuses expériences sur la sur-résolution d'images générales, la sur-résolution d'images faciales et le redimensionnement d'images ont démontré que le HCFlow proposé atteint des performances de pointe en termes de métriques quantitatives et de qualité visuelle.