图像超分辨EnhanceNet- Single Image Super-Resolution Through Automated Texture Synthesis笔记

最新推荐文章于 2025-05-16 18:33:21 发布

原创

最新推荐文章于 2025-05-16 18:33:21 发布 · 7.9k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习

本文介绍了EnhanceNet在图像超分辨率中的应用，通过自动化纹理合成改进损失函数，以提高超分辨率的感知质量。相比于传统MSE损失，结合感知损失和纹理匹配损失能生成更自然的细节。实验表明，这种联合损失函数的方法在视觉效果上显著优于仅使用MSE或单一感知损失的情况。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

                    
                    图像超分辨EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis笔记 
 
简介 
作者写这篇文章，主要是提出了损失函数的改进。传统的损失函数是MSE，虽然很好优化，但它是所有可能的纹路取平均的结果，因此看起来较为平滑，很不自然。因此，作者将提出一个不同的损失函数，联合对抗训练，来提高SISR的感知质量。
 
SISR 
文中列举了一个用不同损失函数超分辨的示意图： 
 
在降采样得到LR时，HR的细节信息已经丢失了，如果用MSE作为损失函数，只会估计出所有可能的平均值。而单纯使用对抗损失虽然不是像素级的精确，但可以生成更加真实的细节。
 
模型 
作者使用的网络结构如下： 
 
关于升采样部分，最自然想到的是一开始就用双三次插值，但这样会增加网络的计算量。如果在后面用解卷积，又会引入环状效应，还额外需要正则项。最后作者选择使用引入环状效应更小的最近邻升采样。
 
损失函数 
除了MSE损失，作者还引入了其他损失函数。
 
Perceptual loss in feature space 
这个损失的计算是把Iest和IHR