A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Image Super-Resolution via Generative Adversarial Networks Using Metric Projections onto Consistent Sets for Low-Resolution Inputs Super-resolução de imagens por meio de redes adversárias generativas usando projeções métricas em conjuntos consistentes para entradas de baixa resolução

Hiroya YAMAMOTO, Daichi KITAHARA, Hiroki KURODA, Akira HIRABAYASHI

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Este artigo aborda super-resolução de imagem única (SR) baseada em redes neurais convolucionais (CNNs). Sabe-se que a recuperação de componentes de alta frequência em imagens SR de saída de CNNs aprendidas pelos mínimos erros quadrados ou mínimos erros absolutos é insuficiente. Para gerar componentes realistas de alta frequência, métodos SR usando redes adversárias generativas (GANs), compostas por um gerador e um discriminador, São desenvolvidos. No entanto, quando o gerador tenta induzir o erro de julgamento do discriminador, não apenas componentes realistas de alta frequência, mas também alguns artefatos são gerados e índices objetivos como PSNR diminuem. Para reduzir os artefatos nos métodos SR baseados em GAN, consideramos o conjunto de todas as imagens SR cujos erros quadrados entre os resultados de redução de escala e a imagem de entrada estão dentro de um determinado intervalo, e propomos aplicar o projeção métrica para isso conjunto consistente nas camadas de saída dos geradores. A técnica proposta garante a consistência entre as imagens SR de saída e as imagens de entrada, e os geradores com a projeção proposta podem gerar componentes de alta frequência com poucos artefatos, mantendo os de baixa frequência adequados ao nível de ruído conhecido. Experimentos numéricos mostram que a técnica proposta reduz artefatos incluídos nas imagens SR originais de um método SR baseado em GAN, ao mesmo tempo que gera componentes realistas de alta frequência com melhores valores de PSNR em ambos sem ruído e ruidoso situações. Como a técnica proposta pode ser integrada em vários geradores se o processo de downscaling for conhecido, podemos dar consistência aos métodos existentes com as imagens de entrada sem degradar o desempenho de outros SR.

Publicação
IEICE TRANSACTIONS on Fundamentals Vol.E105-A No.4 pp.704-718
Data de publicação
2022/04/01
Publicitada
2021/09/29
ISSN online
1745-1337
DOI
10.1587/transfun.2021EAP1038
Tipo de Manuscrito
PAPER
Categoria
Imagem

autores

Hiroya YAMAMOTO
  Ritsumeikan University
Daichi KITAHARA
  Ritsumeikan University
Hiroki KURODA
  Ritsumeikan University
Akira HIRABAYASHI
  Ritsumeikan University

Palavra-chave