要約
超解像（SR）問題の「一対多」の性質により、一つの低解像度（LR）画像に対して複数の高解像度（HR）画像が対応しうる。しかし、従来の学習ベースのSRアルゴリズムは、訓練データセット内の対応する真値（GT）HR画像にLR画像を写像するように学習される。そのため、出力がGTターゲットと完全に一致しない場合、たとえ数学的にSRフレームワークに適合する有効な候補であっても、訓練損失が増加し、アルゴリズムがペナルティを受けることになる。特に、ブラインドSRにおいては、未知のぼかしカーネルが多様に存在するため、問題の不適切定義（ill-posedness）がさらに顕著になる。こうした課題に対応するため、本研究では、適応的ターゲット（adaptive target）という新たな概念を導入し、SRに対して根本的に異なるアプローチを提案する。適応的ターゲットは、元のGTターゲットを、SRネットワークの出力と一致するように変換することで生成される。この適応的ターゲットにより、SRアルゴリズムはSR問題の不適切定義性に対処する柔軟性を獲得し、複数の有効な解を受容できるようになる。実験結果から、本手法の有効性が確認された。特に、HR出力の知覚品質の向上において顕著な効果が示された。