基于生成对抗网络的无监督图像超分辨率算法
信息技术与网络安全 1期
赵志博，滕奇志，任 超，何小海，翟 森
(四川大学 电子信息学院，四川 成都610065)
摘要： 目前，大多数基于学习的图像超分辨率研究通常采用预定的降质类型(比如双三次下采样)处理高分辨率图像，来产生成对的训练集。然而，真实图像往往存在未知的模糊和噪声，导致这些算法无法有效应用到真实场景中。为了实现真实图像的超分辨率重建，提出了一种基于生成对抗网络的无监督图像超分辨率算法，所提出的算法分为域转换子网络和重建子网络两个部分。同时设计了深度特征提取模块，通过融合不同感受野所提取的图像特征来提升网络的性能。实验结果证明，相比于目前多数的图像超分辨率算法，本文算法能够实现真实降质图像(存在噪声、模糊等)的图像超分辨率，在主观效果和客观指标上均能获得更好的性能。
中圖分類號： TP183；TP391
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2022.01.009
引用格式： 趙志博，滕奇志，任超，等. 基于生成對抗網絡的無監督圖像超分辨率算法[J].信息技術與網絡安全，2022，41(1)：55-62.
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2022.01.009
引用格式： 趙志博，滕奇志，任超，等. 基于生成對抗網絡的無監督圖像超分辨率算法[J].信息技術與網絡安全，2022，41(1)：55-62.
Unsupervised image super-resolution algorithm based on Generative Adversarial Network
Zhao Zhibo，Teng Qizhi，Ren Chao，He Xiaohai，Zhai Sen
(College of Electronics and Information Engineering，Sichuan University，Chengdu 610065，China)
Abstract： In most existing researches on learning-based image super-resolution, the pair of training datasets is generated by down-scaling high-resolution(HR) images through a predetermined operation(e.g.，bicubic down-sampling). However, these algorithms cannot be effectively applied to real scenes since the real-world image contains unknown noise and blur. To this end, we propose an unsupervised image super-resolution algorithm based on Generative Adversarial Network in this paper. Our method contains two parts: domain conversion sub-network and reconstruction sub-network. In addition, the deep feature extraction module is proposed to improve the performance of the network by merging the image features captured by different receptive fields. Extensive experiments illustrate that compared with most current image super-resolution algorithms, the proposed method can be applied to real-world image (containing noise, blur, etc.) super-resolution, and achieves the start-of-the-art(SOTA) performance on both subjective and objective evaluations.
Key words : real-world image super-resolution；domain conversion；Generative Adversarial Network；unsupervised training
0 引言
圖像是信息的重要載體，隨著數字圖像在醫學、監控、遙感等領域的迅速發展，人們對圖像質量的要求也越來越高。然而在實際的圖像獲取過程中，比如在視頻監控領域，由于成像設備的限制，無法獲得滿足實際需求的更高空間分辨率的圖像，不利于后續對圖像信息的進一步分析。同時，在成像過程中由于受到成像條件等一系列因素影響，導致獲取的圖像存在一定程度的模糊和噪聲，顯著影響了圖像的質量。圖像超分辨率重建技術可以在不需要改變現有成像設備等條件的前提下，根據低質量(Low Quality，LQ)圖像重建出理想的高質量(High Quality，HQ)圖像，在成本、實時性以及便利性等方面具有顯著的優勢，已經成為了數字圖像處理技術的主要研究內容。一般來說，LQ圖像的退化模型可以描述為：
y=Px+n(1)
其中，y和x分別表示LQ圖像與對應的HQ圖像，P表示圖像的退化矩陣，n代表圖像噪聲。因此，如果要重建出理想的HQ圖像，必須綜合考慮模糊和噪聲等影響圖像質量的因素。
本文詳細內容請下載：http://www.tom3567.com/resource/share/2000003937。
作者信息：
趙志博，滕奇志，任 超，何小海，翟 森
(四川大學 電子信息學院，四川 成都610065)
此內容為AET網站原創，未經授權禁止轉載。