La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

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-résolution d'images via des réseaux contradictoires génératifs utilisant des projections métriques sur des ensembles cohérents pour des entrées basse résolution

Hiroya YAMAMOTO, Daichi KITAHARA, Hiroki KURODA, Akira HIRABAYASHI

  • Vues en texte intégral

    0

  • Citer

Résumé:

Cet article traite de la super-résolution (SR) à image unique basée sur les réseaux de neurones convolutifs (CNN). On sait que la récupération des composantes haute fréquence dans les images SR de sortie des CNN apprises par les moindres erreurs carrées ou les moindres erreurs absolues est insuffisante. Pour générer des composants haute fréquence réalistes, les méthodes SR utilisent des réseaux contradictoires génératifs (GAN), composés d'un générateur et un expert discriminateur, Sont développés. Cependant, lorsque le générateur tente d'induire une erreur de jugement du discriminateur, non seulement les composantes haute fréquence réalistes mais aussi certaines artefacts sont générés et les indices objectifs tels que le PSNR diminuent. Pour réduire les artefacts dans les méthodes SR basées sur GAN, nous considérons l'ensemble de toutes les images SR dont les erreurs quadratiques entre les résultats de la réduction d'échelle et l'image d'entrée se situent dans une certaine plage, et proposons d'appliquer la projection métrique sur ceci ensemble cohérent dans les couches de sortie des générateurs. La technique proposée garantit la cohérence entre les images SR de sortie et les images d'entrée, et les générateurs avec la projection proposée peuvent générer des composantes haute fréquence avec peu d'artefacts tout en conservant celles à basse fréquence en fonction du niveau de bruit connu. Des expériences numériques montrent que la technique proposée réduit les artefacts inclus dans les images SR originales d'une méthode SR basée sur GAN tout en générant des composants haute fréquence réalistes avec de meilleures valeurs PSNR dans les deux cas. sans bruit et à la bruyant situations. Puisque la technique proposée peut être intégrée dans différents générateurs si le processus de réduction d'échelle est connu, nous pouvons donner de la cohérence aux méthodes existantes avec les images d'entrée sans dégrader les autres performances SR.

Publication
IEICE TRANSACTIONS on Fundamentals Vol.E105-A No.4 pp.704-718
Date de publication
2022/04/01
Publicisé
2021/09/29
ISSN en ligne
1745-1337
DOI
10.1587/transfun.2021EAP1038
Type de manuscrit
PAPER
Catégories
Image(s)

Auteurs

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

Mots-clés

Table des matières