CVPR2020超分辨率重建论文阅读笔记

最新推荐文章于 2025-09-24 16:04:40 发布

原创

最新推荐文章于 2025-09-24 16:04:40 发布 · 2.1k 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #机器学习

本文介绍了三种先进的超分辨率重建方法：PULSE、DualRegressionNetworks和MZSR。这些方法解决了传统超分辨率重建面临的挑战，如病态问题、MSE指标缺陷等。PULSE引入了无监督GAN，DualRegressionNetworks提出了对偶网络框架，而MZSR则结合了元学习和零样本超分辨率技术。

为什么要进行超分辨率重建：
1.视觉效果不吸引人
2.影响下游方法使用，如分割等
3.电子显示产品分辨率提高，需要更高分辨率的图像
超分辨率重建问题面临难点和存在问题如下：
1.病态问题：一对多，同样的LR图像对应无数解
2.MSE指标可能导致结果平滑，且没有关注纹理关系信息
3.下采样方式常为预设，不能够适配现实情况
4.成对低高分辨率图像难以获得

一. PULSE：

文章 PLUSE:Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models
链接 https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2003.03808
代码 github.com/adamian98/pu
贡献：
1.一个新的超分辨率重建的处理范式。不同于以往对所得的多种重建HR结果平均处理获得最终结果的做法，而是令产生的HR图像能够降采样获得正确的输入LR图像。
2.一种解决超分辨率重建任务的新方法：无监督GAN。
3.高维高斯先验下隐空间探索的一种原始方法。
方法：
1.损失函数上的改进：
将损失函数由 $∫M∩R∣∣IHR−ISR∣∣ppdP(IHR)\int_{M\cap R}||I_{HR}-I_{SR}||^p_pdP(I_{HR})$