基于无监督学习的真实世界图像超分辨率研究

摘要

近年来，基于深度学习的单幅图像超分辨率(SISR)方法在研究和应用中备受瞩目.在真实世界中，获得配对的带有退化作用的低分辨率图像和高分辨率图像往往是一项具有挑战性的任务.因此，无监督的方法成为研究真实世界图像超分辨率的主流方法.在诸多无监督的方法中，生成对抗网络凭借其生成样本的多样性和丰富性，受到了人们越来越多的关注.本文提出了一种新的网络模型用来解决真实世界的图像超分辨率问题.该网络模型由真实世界图像去噪模型和真实世界图像超分辨率模型组成，具体来说，真实世界图像去噪模型由对抗性网络框架和对比学习方法共同构成.对抗性网络框架利用对抗性、一致性的循环架构优势，生成丰富的样本对，并通过为其配备双向映射来挖掘两个领域之间的潜在特征分布.对比学习方法鼓励相似的样本特征更加接近，同时使得不同的样本特征更加疏远.通过这种“推”和“拉”的方式，来控制不同样本在深度特征空间中的嵌入，从而更好地学习样本特征，帮助带有退化作用的低分辨率图像更好地去噪.真实世界图像超分辨率模型的作用是把低分辨率图像映射为高分辨率图像，从而实现由带有未知退化作用的低分辨率图像到高质量高分辨率图像的转换.在具有挑战性的数据集上的实验结果证明了本文提出的网络模型的有效性.

关键词

生成对抗网络 / 对比学习 / 深度学习 / 注意力机制