学习许多对许多映射用于未配对的现实世界图像超分辨率和缩小尺寸
概括
本研究介绍了SDFlow,这是一种用于单图像超分辨率 (SISR) 的新方法,它独特地学习了低分辨率 (LR) 和高分辨率 (HR) 图像之间的双向映射,而无需配对数据. 通过考虑图像缩放和升级之间的相互依赖,SDFlow有效地应对现实世界SISR中的挑战.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 图像处理 图像处理
背景情况:
- 单一图像超分辨率 (SISR) 对于现实世界的图像是具有挑战性的,因为配对低分辨率 (LR) 和高分辨率 (HR) 训练数据的稀缺性.
- 现有的无监督方法通常使用双阶段方法,单独训练降解和超分辨率模型,忽视它们的相互依赖性和图像降解的不良性质.
研究的目的:
- 提出SDFlow,一种新的无监督模型,用于同时学习现实世界LR和HR图像之间的双向多对多映射.
- 通过考虑图像缩放和缩放过程之间的相互依赖来解决现有方法的局限性.
主要方法:
- 在潜空间中,SDFlow将图像内容和降解信息脱,匹配LR和HR内容分布.
- 它使用条件分布建模了LR图像的降解信息和HR图像的高频信息.
主要成果:
- 实验结果表明SDFlow能够生成多样化和现实的LR和HR图像.
- 该方法显示了对现实世界图像SR数据集的定量和质量改进.
结论:
- SDFlow提供了一种有效的无监督方法,用于现实世界的单图像超分辨率.
- 模型学习双向映射和处理图像退化的能力有助于提高SR性能.
