論文閱讀之：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

標籤：family   mina   time   learning   enter   pac   sar   ble   isp   

 

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network 

2016.10.23 

　　摘要：

 

 

 

 

 

 

 

　　Contributions： 

　　GANs 提供了強大的架構來產生高品質的 plausible-looking natural images。本文提供了一個 very deep ResNet architure，利用 GANs 的概念，來形成一個 perceptual loss function 來靠近 human perception 來做 photo-realistic SISR。

　　主要貢獻在於：

　　1. 對於 image SR 來說，我們取得了新的頂尖效果，降低 4倍的解析度，衡量標準為：PSNR 和 structure similarity （SSIM）。具體的來說，我們首先採用 fast feature learning in LR space and batch-normalization 來進行訓練殘差網路。

　　2. 提出了結合 content loss 和 adversarial loss 作為我們的 perceptual loss。

 

 

　　Method： 

　　首先是幾個概念：

　　　　super solved image $I_{SR}$: W * H * C ; 　　low-resolution input image $I_{LR}$: rW * rH * C ; 　　high-resolution image $I_{HR}$ : rW * rH * C.  

　　我們的終極目標是：訓練一個產生式函數 G 能夠預測給定的輸入映像 LR input image 的 HR 部分。我們達到這個目的，我們訓練一個 generator network 作為一個 feed-forward CNN $G_{\theta_{G}}$ 參數為 $\theta_{G}$ ， 此處的 $\theta_{G} = {W_{1:L} ; b_{1:L}}$ 表示一個 L 層 deep network 的 weights 和 biases，並且是通過最佳化一個 SR-specific loss function $l^{SR}$ 得到的。對於一個給定的 訓練映像 $I^{HR_{n}}$ ，n =  1,...,N 對應的低解析度映像為：$I^{LR}_n$ ，我們最佳化下面這個問題：

 

　　1. Adversarial Network Architecture 

　　產生式對抗網路的訓練學習目標是一個 minmax problem ：

　　作者也將映像超分辨看作是這麼一個過程。通過 generator 產生一張超分辨映像，使得 discriminator 難以區分。

　　就是本文所涉及的大致流程。

　　

　　2. Perceptual Loss Function 

　　本文所設計的感知損失函數 是本文演算法效能的保證。

　　

　　

　　

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

論文閱讀之：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network