Abstract
真实图像超分辨率(SR)的关键挑战之一是恢复低分辨率(LR)图像中复杂未知退化(例如,降采样、噪声和压缩)中的缺失细节。
大多数先前的工作在图像空间恢复这些缺失细节。为了应对自然图像的高多样性,它们要么依赖于难以训练并且容易产生伪影的不稳定GAN,要么依赖于通常不可用的高分辨率(HR)图像的明确参考。
在这项工作中,我们提出了特征匹配SR(FeMaSR),它在更紧凑的特征空间中恢复了逼真的HR图像。
与图像空间方法不同,我们的FeMaSR通过将扭曲的LR图像特征与我们预训练的HR先验中的无失真HR对应部分进行匹配,并解码匹配的特征以获得逼真的HR图像。
具体而言,我们的HR先验包含一个离散特征码本及其关联的解码器,这些都是使用向量量化生成对抗网络(VQGAN)在HR图像上预训练的。
值得注意的是,我们在VQGAN中加入了一种新颖的语义正则化来提高重建图像的质量。
对于特征匹配,我们首先使用由多个Swin Transformer块组成的LR编码器提取LR特征,然后采用简单的最近邻策略将它们与预训练的码书进行匹配。
特别地,我们为LR编码器配备了到解码器的残差快捷连接,这对于特征匹配损失的优化至关重要,同时也有助于补充可能的特征匹配错误。
实验结果表明,我们的方法比先前的方法产生了更逼真的HR图像。
-
Previous
【ICLR 2022】LoRA:Low-Rank Adaptation of Large Language Models -
Next
【TIP 2024】LRSDN:Hyperspectral Compressive Snapshot Reconstruction via Coupled Low-Rank Subspace Representation and Self-Supervised Deep Network