培训ESRGAN,多层次关注U-Net歧视者
Quan Chen1, Hao Li2, Gehao Lu3
1School of Information Science and Engineering, Yunnan University, Kunming, Yunnan, 650504, China.
Scientific reports
|November 23, 2024
概括
新的超高分辨率模型MSA-ESRGAN使用多尺度的注意力U-Net区分器来提高图像质量. 它在客观和主观评估中优于现有方法,增强现实主义和纹理保存.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 人工智能的人工智能
背景情况:
- 超分辨率 (SR) 旨在从低分辨率输入中重建高分辨率图像.
- 现有的SR模型经常在感知质量和现实的纹理生成方面扎.
- 图像主体和背景之间的准确区分对于有效的SR至关重要.
研究的目的:
- 引入MSA-ESRGAN,一种新的超高分辨率模型,增强感知图像质量.
- 为了利用一个多层次的注意力U-Net区分器来改善主体背景差异化.
- 为盲目的超分辨率任务建立一个新的基准.
主要方法:
- 开发了MSA-ESRGAN,集成了一个多层次的注意力U-Net歧视器.
- 用预先训练的真实ESRNET模型初始化了生成器,以便进行公平的比较.
- 在DIV2K数据集上训练模型,使用Adam优化器和指数移动平均 (EMA).
主要成果:
- 在NIQE,PSNR和SSIM分数方面,MSA-ESRGAN超越了传统和最先进的SR模型.
- 对BSD100,Set5,Set14,Urban100和OST300数据集的评估证实了卓越的性能.
- 主观评估验证了增强的视觉质量,纹理保存和现实主义.
结论:
- MSA-ESRGAN有效地提高了感知图像质量和现实性.
- 多尺度注意力U-Net区分器对于该模型的卓越性能至关重要.
- MSA-ESRGAN为盲目的超分辨率提供了一个强大的基准,优于现有的方法.
