SRNTT:Image Super-Resolution by Neural Texture Transfer
Image Super-Resolution by Neural Texture Transfer
Zhifei Zhang,Zhaowen Wang,Zhe Lin,Hairong Qi
CVPR2019
摘要
之前提出的RefSR的方法虽然很有潜力,但是存在一些问题,一旦RefSR与LR不够相似的时候超分辨率的结果就很差。论文为了充分发挥RefSR的作用。不仅只学习RefSR的像素级的文本信息还同时学习多个层次的信息。
主要贡献
- 论文学会用RefSR的思想,打破了SISR的束缚。(其实就是不再单纯地学习HR和LR的映射,而是引入RefSR)
- 论文提出了SRNTT,可以得到更好的超分辨率效果。
- 论文建立了一个新的数据集,CUFED5,对LR有不同相似程度的RefSR,用来进行进一步探索。
相关工作
SISR工作存在的问题:
- 纹理不够清晰。
- 加上感知损失,纹理清晰了但是大多是捏造的,不符合真实情况。
基于Ref的SR存在的问题:
- Ref需要跟LR足够相似。
- 只学习了Ref的像素级特征,或者一些浅层的特征。
- Ref需要与LR对齐的。
为了得到更真实纹理的高分辨率图像,论文提出了SRNTT。
主要方法
网络结构如上图。
特征交换
特征交换这一部的主要工作就是在Ref中找到与LR最接近的块,然后替换掉LR中的块。这就涉及两个步骤(1)如何计算相似度(2)如何交换对应块。
(1)如何计算相似度
论文提出的方法不是计算整个图的相似度,而是分块计算。这里因为LR和Ref的大小不同,先对LR用bicubic进行上采样使LR和Ref具有相同的大小,而同时考虑到二者的分辨率不同,对Ref用bicubic进行下采样再上采样,使得的模糊程度跟接近。
考虑到和的块在颜色和光照上面可能有些不同,于是论文不直接对Patch的像素进行计算相似度,而在高层次的特征图上计算,即,来突出结构和纹理信息。
论文采用内积方法来计算相似度:
表示第i块,而从公式中可以看出的块被规范化了。
而对于整个计算相似度的操作也就相当于是将的j块当做卷积核的卷积操作。
即第j个块得到的相似度map。
定义表示以(x,y)为中心的块和的第j块得到的相似度图。
(2)交换操作
指的是索引,即以(x,y)为中心的块的索引,M是交换后得到的特征图,这个公式的意思先找到与相似度最大的那个块,找到中对应的块的特征图来做M的块。
如果有重叠的部分,就取均值。
Neural Texture Transfer
这一结果的主要功能就是将这些不同规模和大小的M和深度学习结合起来。
论文采用残差块和跳跃连接来建立基本的生成网络。记是第l层的输出,可以定义为:
即2倍上采样。表示通道连接。
上图是纹理迁移的结构。
假设有L层,那最终SR:
不同于SISR只考虑和的不同,SRNTT还考虑了和的纹理差异。于是论文定义了一个纹理损失:
其中GR表示Gram矩阵,表示全部LR块对应的最匹配的相似度的评分。就是正则化系数。
训练目标函数
为了保留LR的空间结构、改善SR的视觉效果,并充分利用Ref的纹理信息。损失函数包括重构损失、感知损失、对抗损失、纹理损失。
重构损失:
采用1范数是为了产生更尖锐的细节。
感知损失:
V表示长乘宽,C表示通道数。感知损失取得是VGG19中relu5_1的特征图。
对抗损失:
实现细节
前面的特征提取层来自于不同的VGG层,relu1_1,relu2_1,relu3_1。
的权值分别为1,1e-4,1e-6,1e-4.
学习率设置为1e-4.优化器为adam.
网络先只用重构损失训练2epochs,再用全部的损失训练20epochs。
论文还对做数据增强,获取其对应的放缩和旋转。
数据集
论文通过捕获日常生活中的场景,建立了1863个目录,每个目录包含30到100张图片。每个目录内都包含相似程度不同的图像对。
论文的方法在训练时,随机裁剪的图像块,作为HR,,其对应的作为Ref,对HR用bicubic下采样4倍得到LR.
用13761对patch作为训练集。用120组图像作为测试集,每组都包括四个相似度等级的ref图像。
论文还采用了Sun80,Urban100作为测试图像,Sunn80中的80个图像没有ref,论文在网上为其搜集了对应的ref。而Urban100没有ref。
结果可以证明SRNTT的纹理损失的作用。
论文还对比了cross-net的optic flow的方法。证明了块匹配的效果。
论文还对比了使用不同VGG层和在不同参考等级下的psnr。
最后论文对比了有纹理损失和没有纹理损失的SR结果,证明了纹理损失的意义。
SRNTT:Image Super-Resolution by Neural Texture Transfer相关推荐
- (SRNTT)Image Super-Resolution by Neural Texture Transfer
总结一波: 与TTSR有很多相似之处,SRNTT可以看成是TTSR的前身,其中除了网络设计不同外,损失函数SRNTT比TTSR多了一个纹理损失(与以往的工作不同,我们添加了纹理损失来考虑文纹理上的一致 ...
- 【图像超分辨率】Image Super-Resolution by Neural Texture Transfer
Image Super-Resolution by Neural Texture Transfer 摘要: 1.引言 2 相关工作 2.1 基于深度学习的SISR 2.2基于参考的超分辨率 3. 方法 ...
- 论文翻译:2019_Speech Super Resolution Generative Adversarial Network
博客作者:凌逆战 论文地址:基于GAN的音频超分辨率 博客地址:https://www.cnblogs.com/LXP-Never/p/10874993.html 论文作者:Sefik Emre Es ...
- 论文翻译:Speech Super Resolution Generative Adversarial Network
博客作者:凌逆战 论文地址:https://ieeexplore.ieee.org/document/8682215 博客地址:https://www.cnblogs.com/LXP-Never/p/ ...
- 吴恩达深度学习课程deeplearning.ai课程作业:Class 4 Week 4 Art Generation with Neural Style Transfer
吴恩达deeplearning.ai课程作业,自己写的答案. 补充说明: 1. 评论中总有人问为什么直接复制这些notebook运行不了?请不要直接复制粘贴,不可能运行通过的,这个只是notebook ...
- 15.深度学习练习:Deep Learning Art: Neural Style Transfer
本文节选自吴恩达老师<深度学习专项课程>编程作业,在此表示感谢. 课程链接:https://www.deeplearning.ai/deep-learning-specialization ...
- 吴恩达深度学习4.4练习_Convolutional Neural Networks_Art Generation with Neural Style Transfer
转载自吴恩达老师深度学习课程作业notebook Deep Learning & Art: Neural Style Transfer Welcome to the second assign ...
- Neural Style Transfer: A Review
这篇是风格转移方面的综述,文中总结了多种风格转移的方法.因为18年看过很多风格转移方面的论文,因此翻译这篇综述. Gatys等人的开创性工作.通过分离和重新组合图像内容和风格,展示了卷积神经网络(CN ...
- Wavelet-SRNet: A Wavelet-based CNN for Multi-scale Face Super Resolution
Wavelet-SRNet: A Wavelet-based CNN for Multi-scale Face Super Resolution 2017 ICCV 1.引言 2.网络结构 3.损失函 ...
- 风格迁移综述Neural Style Transfer: A Review
浙江大学和亚利桑那州立大学的几位研究者在 arXiv 上发布了一篇「神经风格迁移(Neural Style Transfer)」的概述论文,对当前神经网络风格迁移技术的研究.应用和难题进行了全面的总结 ...
最新文章
- React 循环渲染 5
- chrome浏览器模拟手机端:jquery click()点击无效解决方法
- Nginx实现高可用的工作原理
- BugKuCTF WEB 输入密码查看flag
- Polo the Penguin and Matrix
- 为何在wpf中textbox的值有时不会实时的变化
- PyTorch学习—15.PyTorch中TensorBoard的使用
- 汇编程序:成绩分段统计
- 华为资深工程师总结的这本435页的书,居然把网络协议给趣谈了
- 腾达Tenda 路由器后门分析
- 在手机上运行 Python,这款工具比 QPython 还好用~
- Python: 常用的软件包
- python爬取晋江文学城_晋江文学城[本站宗旨]
- 微创脑科学上市破发:公司市值143亿港元 微创医疗是大股东
- ie8/9收到json数据后提示下载的解决方法
- springboot网吧管理系统
- 计算机插上u盘就无法点亮,好U盘插电脑没反应怎么办?其实很简单可解决
- 乐聊----java界面聊天室
- Levenberg-Marquardt method for nonlinear elliptical equation
- Excel中如何合并多个工作簿或者合并多个表格(利用方方格子)