SRFlow：正規化フローを用いたスーパーレゾリューション空間の学習

スーパーレゾリューションは、与えられた低解像度画像に対して複数の予測が可能であるため、本質的に不適切に定式化された問題である。この根本的な事実に対して、最先端の深層学習ベースのアプローチはほとんど無視している。これらの手法は、再構成損失と敵対的損失の組み合わせを用いて、決定論的なマッピングを学習する。本研究では、低解像度入力に対して出力の条件付き分布を学習できる、正規化フロー（normalizing flow）に基づくスーパーレゾリューション手法であるSRFlowを提案する。本モデルは、負の対数尤度（negative log-likelihood）という単一の損失関数を用いて原理的な枠組みで訓練されるため、問題の不適切な定式化を直接考慮し、多様で写真のように現実的な高解像度画像の予測を学習する。さらに、SRFlowが学習した強力な画像事後分布を活用し、他の画像からのコンテンツ転送など、さまざまな画像操作技術を柔軟に設計できる。本研究では顔画像を対象とした広範な実験のほか、一般的なスーパーレゾリューションにおいても検証を行った。その結果、PSNRおよび知覚品質評価指標の両面で、最先端のGANベースの手法を上回るとともに、スーパーレゾリューション解の空間を探索することで、解の多様性を実現している。