Structure-Preserving Super Resolution with Gradient Guidance

这是20年3月的一篇cvpr。
该文章提出了现有的基于对抗思想的超分辨率重建网络虽然能够很好的恢复出逼近真实世界的纹理细节,但恢复出的图像常常会伴随这图像失真的问题,因此这篇文章将梯度图引入对抗网络中指导图像重建消除图像失真的问题。
网络架构方面采用了两条支路构成网络,一条重建网络,一条生成梯度图的网络,利用lr图像生成lr的梯度图,此处M(·)与现有生成梯度图的方法一致,相邻行与列元素相减后进行根下平方和进行整理生成矩阵。
网络中的块为ESRGAN的网络架构,上层超分网络将特征图输入到梯度生成网络中作为先验,因为特征图包含了丰富的梯度信息,将丰富的梯度信息作为先验就可以降低梯度生成网络的计算复杂度,可以很好的减少梯度图恢复支路的参数,fusion中运用了了concat和一个RRDB块来融合信息,损失上重建支路SR采用了逐像素损失、感知损失、对抗损失,将SR进行梯度化后进行二阶损失约束,利用逐像素损失和对抗损失来约束SR的梯度图与HR的梯度图。梯度图生成支路只需要利用逐像素损失约束生成的SR的梯度图与HR的梯度图即可。
Structure-Preserving Super Resolution with Gradient Guidance_第1张图片
本文仍存在的问题:文中提出了损失二阶约束可以提升网络性能,使图像边缘进一步清晰,但未进行实验证明

你可能感兴趣的:(cv)