階層的条件付きフロー：画像の超解像とリスケーリングの統一フレームワーク

最近、ノーマライジングフローは低レベルのビジョンタスクにおいて有望な結果を示しています。画像の超解像（Super-Resolution: SR）では、決定論的なマッピングを学習するのではなく、低解像度（Low-Resolution: LR）画像から多様な写実的な高解像度（High-Resolution: HR）画像を予測することを学びます。画像のリスケーリングでは、ダウンスケーリングとアップスケーリングのプロセスを同時モデリングすることで高い精度を達成します。既存のアプローチではこれらの2つのタスクに特化した技術が用いられていますが、我々はそれらを単一の定式化で統一することを目指しました。本論文では、画像SRと画像リスケーリングのための一貫したフレームワークとして階層的条件付きフロー（Hierarchical Conditional Flow: HCFlow）を提案します。より具体的には、HCFlowはLR画像とHR画像のペア間の双方向性のあるマッピングを学習し、LR画像と残りの高周波成分の分布を同時にモデル化します。特に、高周波成分は階層的にLR画像に条件付けられます。性能向上のために、一般的に使用される負対数尤度損失に加えて知覚損失やGAN損失などの他の損失も訓練時に組み合わせています。一般画像SR、顔画像SRおよび画像リスケーリングに関する広範な実験により、提案されたHCFlowが定量的な指標と視覚的品質の両面で最先端の性能を達成していることが示されました。