要約
近年、畳み込みニューラルネットワーク（CNN）を用いた単一画像超解像（SR）の性能は著しく向上している。与えられた入力に対しては多くの高解像度（HR）解像度の解が存在するが、現行の大多数のCNNベースの手法は推論段階で代替解の探索を行わない。代替SR結果を得る典型的なアプローチは、異なる損失重みを用いて複数のSRモデルを別々に学習し、それらのモデルの組み合わせを利用する方法である。本研究では、複数のモデルを用いるのではなく、マルチタスク学習の利点を活かして、さまざまな損失組み合わせに対して一つの調整可能なSRモデルを効率的に学習する手法を提案する。具体的には、訓練段階で条件付きの目的関数を最適化する。この目的関数は、異なる特徴レベルにおける複数の知覚的損失の重み付き和として定義される。重みは入力された条件に応じて変化し、これらの重みの集合を「スタイルコントローラ」と定義する。また、本学習スキームに適したアーキテクチャとして、空間的特徴変換層を備えたResidual-in-Residual Dense Blockを提案する。推論段階では、学習済みモデルがスタイルコントロールマップに基づいて局所的に異なる出力を生成できる。広範な実験により、本手法がアーティファクトを伴わず多様な高品質な再構成結果を生成し、最先端のSR手法と同等の定量的性能を達成することを確認した。