Real-ESRGAN：純粋な合成データを用いた現実世界のブラインド超解像度の訓練

低解像度画像に未知かつ複雑な劣化が加えられた状況下でのブラインド超解像技術については、これまで多くの試みがなされてきたが、現実世界に存在する一般的な劣化画像の復元にはまだほど遠い状況にある。本研究では、強力なESRGANを実用的な画像復元応用（すなわちReal-ESRGAN）へと拡張し、純粋な合成データのみを用いて訓練を行った。具体的には、現実世界における複雑な劣化をより正確に再現するための高次劣化モデリングプロセスを導入した。また、合成過程における一般的なリングノイズやオーバーシュートアーティファクトに対しても配慮している。さらに、スペクトル正規化を用いたU-Net型ディスクリミネーターを採用することで、ディスクリミネーターの性能を向上させるとともに、学習の安定性を高めた。多数の実データセットにおける広範な比較実験の結果、従来手法に比べて優れた視覚的性能を示した。また、オンザフライで訓練データペアを合成するための効率的な実装も提供している。