Unsupervised Real-world Image Super Resolution via Domain-distance Aware Training

Unsupervised Real-world Image Super Resolution via Domain-distance Aware Training

参考：​​gap

盲超分问题的设定：给定一组真实世界包含模糊、伪影的图像LR，以及一组HR，寻找一种方法，在没有配对数据的情况下，能够将LR重建出SR，使得SR更加接近于HR domain

一般分为三类：

提出的新超分框架

首先训练基于GAN的下采样网络DSN，将HR下采样到real-world domain，同时生成Domain Distance Map

为了避免冗余信息的影响，让判别器判别的特征更加明确，作者采用高频判别的方式训练在训练阶段，DSN内部的Discriminator会输出一个Domain Distance Map，map上的值表示对图像各个patch是real还是fake的判定，将这个判定作为domain gap的度量，用于后续SR网络的训练

生成了LR-HR pair（生成的fake LR和GT）后，作者将数据分为两类（source domain和target domain），进行SR网络的训练

在source domain中，在L1损失的基础上，使用Domain Distance Map对图像各个patch的loss进行重新加权，使得domain gap更小的patch的L1 loss更大，让网络更关注于domain gap更小的patch，同时减小domain gap大的patch对网络训练的扰动

在该框架中，可以保持LR->HR图像内容的一致性，并学到real world LR->HR的映射关系，进一步减小domain gap带来的影响

实验部分

给定DIV2K中的800张HR图片（target domain），以及2650张未知退化的LR作为source domain，目标是将未知退化的LR作为source domain，重建出接近target domain的SR图像消融实验

输入LR输入HR用DSN下采样，并且不分离高低频信息输入HR用DSN下采样，并且用高斯核分离高低频信息输入HR用DSN下采样，并且用wavelet分离高低频信息

作者采用的wavelet得到的PSNR为26.007

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。