删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

使用VGG能量损失的单图像超分辨率重建

本站小编 Free考研考试/2022-01-02

闂傚倷绀佺紞濠傖缚瑜旈、鏍幢濡炵粯鏁犻梺閫炲苯澧撮柣鎿冨亰瀹曞墎鎹勬潪鏉挎瀳闂備線鈧偛鑻晶浼存煕閻樻煡鍙勭€规洏鍨芥俊鍫曞炊閵娿儺浼曢梺鑽ゅ枑閻熴儳鈧凹鍙冨鎶藉醇閵夛妇鍘遍梺褰掑亰閸撴瑩銆冨▎鎴犵<闁告瑦锚瀹撳棛鈧娲忛崝鎴﹀极閹剧粯鏅搁柨鐕傛嫹闂傚倷鐒︾€笛呯矙閹达附鍎斿┑鍌氭啞閸嬬喐绻涢幋娆忕仼缁绢厸鍋撻梺璇查濠€杈ㄦ叏鐎靛摜涓嶆い鏍仦閻撴洘绻涢崱妯哄濠⒀屽墯缁绘繈鍩€椤掑嫬绠ユい鏃€鍎冲畷銉モ攽閻愬弶顥為悽顖滃仱婵″爼顢曢敂鐣屽幐闂佺ǹ鏈粙鎾诲箠閸℃瑦鍋栨繛鍡樻尰閻撴洘淇婇娆掝劅闁稿孩鍨圭槐鎾诲磼濮樺吋楔闂侀€炲苯澧存繛浣冲吘娑樷槈閵忊€充函濠电姴锕ら悧濠囧疾椤掑嫭鐓ラ柣鏇炲€圭€氾拷
摘要:单幅图像的超分辨率重建(single image super-resolution,简称SR)是一项重要的图像合成任务.目前,在基于神经网络的SR任务中,常用的损失函数包括基于内容的重构损失和基于生成对抗网络(generative adversarial network,简称GAN)的对抗损失.但是,基于传统的GAN的超分辨率重建模型(SRGAN)在判别器接收高分辨率图像作为输入时,输出判别信号不稳定.为了缓解这个问题,在SRGAN以及常用的VGG重构损失框架上,设计了一个稳定的基于能量的辅助对抗损失,称为VGG能量损失.该能量损失使用重构损失中的VGG编码部分,针对VGG编码设计相应的解码器,构建一个U-Net自编码结构VGG-UAE,利用VGG-UAE的重构损失表示能量,并使用该能量函数为生成器提供梯度;基于追踪能量函数的思想,VGG-UAE使生成器生成的高分辨率样本追踪真实数据的能量流.实验部分验证了使用VGG能量损失将比使用传统的GAN损失可以生成更有效的高分辨率图像.



Abstract:Single image super-resolution (SR) is an important task in image synthesis. Based on neural nets, the loss function in the SR task commonly contains a content-based reconstruction loss and a generative adversarial network (GAN) based regularization loss. However, due to the instability of GAN training, the generated discriminative signal of a high-resolution image from the GAN loss is not stable in the SRGAN model. In order to alleviate this problem, based on the commonly used VGG reconstruction loss, this study designs a stable energy-based regularization loss, which is called VGG energy loss. The proposed VGG energy loss in this study uses the VGG encoder in the reconstruction loss as an encoder, and designs the corresponding decoder to build a VGG-U-Net auto encoder:VGG-UAE; by using the VGG-UAE as the energy function, which can provide gradients for the generator, the generated high-resolution samples track the energy flow of real data. Experiments verify that a generative model using the proposed VGG energy loss can generate more effective high-resolution images.



PDF全文下载地址:

http://jos.org.cn/jos/article/pdf/6053
婵犵數鍋為崹鍫曞箰閹绢喖纾婚柟鍓х帛閻撴稑顭块懜寰楊亪鎮橀悩缁樼厪闁割偅绻勯崺锝夋煙瀹曞洤鈻堢€规洘绮嶉幏鍛村捶椤撶喐顔忛梻鍌氬€峰ù鍥涢崟顐ゆ殾妞ゆ巻鍋撴い顐g箞婵℃悂鍩℃担铏瑰幀婵$偑鍊栭悧妤呮偡閵堝洩濮抽柡澶婄氨濡插牓鏌¢崘锝呬壕濠电姰鍨洪敃銏犵暦閸濆嫮鏆嗛柛鏇ㄥ墮濞堝矂姊洪崨濠傚Е濞存粎鍋ゅ畷娲灳閺傘儲顫嶉梺瑙勫劤閻°劎浜搁銈囩<婵°倕鍟弸鏃堟煙妞嬪骸鈻堟鐐村灴楠炲洭顢欓崫鍕埅闂傚倷绀侀幖顐﹀磹瑜版帗鍋¢弶鍫氭櫆椤洟鏌ㄩ悤鍌涘
2婵犵數鍋為崹鍫曞箰缁嬫5娲Ω閳哄绋忛梺鍦劋椤ㄥ棝宕甸埀顒勬⒑閸涘﹤濮﹀ù婊呭仱瀹曟椽鏁撻悩宕囧幗闂侀潧绻堥崐鏍р槈瑜旈弻锝夊焺閸愵亝鍣紓浣割儏閿曨亪寮崒鐐村殐闁冲搫鍠氬Σ鍗炩攽閳藉棗浜炲褎顨婇弫瀣磽娴i潧濮傚ù婊嗗煐娣囧﹦鈧稒蓱婵绱掑☉姗嗗剱缂傚秴锕ユ穱濠囶敃閵堝拋鏆梺鍓茬厛閸ㄥ爼宕洪埀顒併亜閹达絾纭舵い锔肩畵閺屾稑鈻庤箛鏇狀唹缂備線缂氬Λ鍕亙闂佸憡娲﹂崢褰掑磻閹烘鈷戦柛婵嗗閳ь剙缍婇幃閿嬫綇閳哄偆娼熷┑顔角瑰▔娑㈡儗濡も偓閳规垿鎮╅幓鎺嗗亾閹间礁閿ゅ┑鐘插枤濞堜粙鏌i幇顒佲枙闁搞倗鍠愮换婵嬪焵椤掑嫬鐒洪柛鎰硶閻鈹戦绛嬫當闁绘绻掔划鍫熷緞鐎n剛顔曢梺鐟邦嚟婵敻寮抽埡鍌滅閻犲泧鍕伓547闂傚倷绀佸﹢閬嶃€傛禒瀣;闁瑰墽绮埛鎺楁煕閺囨娅呴柣蹇d邯閺岋絽螖鐎n偄顏�4婵犵數鍋為崹鍫曞箰缁嬫5娲晲閸モ晝顦梺鐟邦嚟閸嬬喖鍩㈤弮鈧妵鍕疀閹惧顦遍梺绋款儐閹瑰洤鐣峰鈧、鏃堝幢濡ゅ啫骞愰梻鍌欑閸氬顭垮鈧畷顖烆敃閵忋垺娈鹃梺闈涱檧婵″洭鍩㈤弮鍫熺厵闁硅鍔曢惃娲煟閻旈攱璐$紒杈ㄥ笚瀵板嫮鈧綆浜炴禒鐓庘攽閻愯泛绱﹂柛妤勬珪娣囧﹦鈧稒蓱婵挳鎮峰▎娆戝埌濞存粓绠栭弻娑㈠箛閸忓摜鏁栭梺绯曟櫔缁绘繈寮诲☉婊呯杸闁挎繂鎳庨~鈺呮⒑閸涘﹦鎳曠紒杈ㄦ礋楠炲繘鎮╃拠鑼啋闂佸憡渚楅崹鎶剿囬埡鍛拺閻炴稈鈧厖澹曢梻浣告贡鏋紒銊ㄥ亹缁厽寰勯幇顓犲幘闂佸搫瀚换鎺旇姳閹稿簺浜滈柡鍥悘鑼偓娈垮櫘閸嬪﹤顕g捄琛℃瀻闁诡垎鍏俱倝姊绘担鐟邦嚋缂佸鍨胯棟妞ゆ挶鍨归悞鍨亜閹烘埊鏀婚悗姘炬嫹40缂傚倸鍊风粈渚€藝椤栨粎鐭撶€规洖娲ㄧ粻鏃堟煙閹屽殶闁崇粯姊归幈銊ヮ潨閳ь剛娑甸幖浣告瀬閻庯綆浜堕悢鍡涙偣閸ワ絺鍋撻崗鍛棜缂傚倷娴囨ご鎼佹偡閳哄懎钃熺€光偓閸曨偆顓洪梺鎸庣箓濞茬娀宕戦幘缁樻優閻熸瑥瀚崢褰掓⒑閸濆嫭宸濋柛搴㈠灩濡叉劕饪伴崼鐔哄帾闂佺硶鍓濆ú鏍姳缁寬闂傚倷绶氬ḿ褍螞閺冨倻鐭嗗ù锝堫嚉閻熸嫈鏃堝川椤旇瀵栭梻浣告啞娓氭宕㈤挊澶嗘瀺鐎光偓閸曨剛鍘遍梺鍝勫暞閹稿墽澹曢幐搴涗簻闁靛骏绱曢。鑼磼閺冨倸鏋涙い銏℃礋閹晠顢曢~顓烆棜濠电偠鎻紞鈧い顐㈩樀閹繝鍩€椤掑嫭鈷掗柛灞捐壘閳ь兛绮欓、娆愮節閸曨剦娼熼梺鍓插亝濞叉牜绮荤紒妯镐簻闁规崘娉涢宀勬煛娴e壊鍎忔い顓℃硶閹风娀鍨鹃崗鍛寜闂備線鈧偛鑻崢鎼佹煠閸愯尙鍩e┑锛勬暬閹瑩寮堕幋顓炴婵犳鍠楅敃鈺呭礂濞戞碍顫曢柨婵嗘偪瑜版帗鏅查柛鈩冪懅閻撳倸顪冮妶鍐ㄧ仾缁炬澘绉剁划鈺呮偄绾拌鲸鏅濋梺闈涚墕濞诧箓骞嗛敐澶嬧拺闁圭ǹ娴烽埥澶嬨亜閿旇寮柛鈹惧亾濡炪倖甯掗敃銉р偓姘炬嫹28缂傚倸鍊风欢锟犲磻婢舵劦鏁嬬憸鏃堢嵁閸愵喖绠婚柛鎾茬窔閳瑰繑绻濋姀锝嗙【妤楊亝鎸冲畷婵嬪川鐎涙ḿ鍘遍梺鍝勫暊閸嬫挾绱掔€n偅宕岀€殿噮鍋婇幃浠嬪垂椤愩垹骞戦梻浣告惈濞诧箑顫濋妸鈺傚仭闁宠桨璁插Σ鍫ユ煙閻愵剚缍戦柟鍏兼倐閺屽秷顧侀柛鎾卞姂楠炲繘鏁撻敓锟�1130缂傚倸鍊风粈渚€藝椤栨粎鐭撻柛鎾茬閸ㄦ繈鏌ㄩ悢鍝勑㈢紒鈧崒鐐寸厱婵炴垶锕弨缁樼箾閸繄鐒搁柡灞稿墲瀵板嫮鈧綆浜滈~鍥⒑闁偛鑻晶楣冩煙閸戙倖瀚�
相关话题/图像 设计 信号 数据 网络

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 基于着色Petri网的HDFS数据一致性建模与分析
    摘要:HDFS分布式文件系统作为ApacheHadoop的核心组件之一,在工业界得到了广泛应用.HDFS采用了多副本机制保证数据的可靠性,但是由于多副本的存在,在节点失效、网络中断、写入失败时可能会导致数据不一致.与传统文件系统相比,HDFS被认为其数据一致性有所降低,但用户并不知道何时会出现不一致 ...
    本站小编 Free考研考试 2022-01-02
  • 基于贝叶斯网络的时间序列因果关系学习
    摘要:贝叶斯网络是研究变量之间因果关系的有力工具,基于贝叶斯网络的因果关系学习包括结构学习与参数学习两部分,其中,结构学习是核心.目前,贝叶斯网络主要用于发现非时间序列数据中所蕴含的因果关系(非时间序列因果关系),从数据中学习得到的也均是一般变量之间的因果关系.针对这些情况,结合时间序列预处理、时间 ...
    本站小编 Free考研考试 2022-01-02
  • 基于细粒度数据的智能手机续航时间预测模型
    摘要:如今,智能手机已成为人们日常生活中重要的组成部分.然而,在智能手机软硬件能力高速发展的同时,智能手机的电池能力却未能取得突破性的进展.这导致电池的续航能力经常会成为用户使用智能手机时的体验瓶颈.为了提高用户使用体验的优良感受,一种可行的方法是为用户提供电池续航时间预测.准确的电池续航时间预测能 ...
    本站小编 Free考研考试 2022-01-02
  • 构建新型高性能与高可用的键值数据库系统
    摘要:近年来,写密集型应用程序越来越普遍.如何有效地处理这种工作负载,是数据库系统领域深入研究的方向之一.写操作开销主要由以下两个方面的因素构成:(1)硬件级别,即写操作引起的I/O,目前无法在短时间内消除这种开销;(2)软件开销,即修改内存数据拷贝以及构造日志记录造成的多次写操作.日志即数据(lo ...
    本站小编 Free考研考试 2022-01-02
  • 医疗大数据隐私保护多关键词范围搜索方案
    摘要:随着医疗信息系统的急速发展,基于医疗云的信息系统将大量电子健康记录(EHRs)存储在医疗云系统中,利用医疗云强大的存储能力和计算能力对EHRs数据进行安全与统一的管理.尽管传统加密机制可以保证医疗数据在半诚实云服务器中的机密性,但对加密后的EHRs数据执行安全、快速、有效的范围搜索,仍是一个有 ...
    本站小编 Free考研考试 2022-01-02
  • 基于双注意力残差循环单幅图像去雨集成网络
    摘要:降雨会严重降低拍摄图像质量和影响户外视觉任务.由于不同图像中,雨的形状、方向和密度不同,导致单幅图像去雨是一项困难的任务.提出一种新的基于双注意力的残差循环单幅图像去雨集成网络(简称RDARENet).在网络中,因为上下文的信息对于去除雨痕十分重要,所以首先采用多尺度的扩张卷积网络去获得更大的 ...
    本站小编 Free考研考试 2022-01-02
  • 领域驱动设计模式的收益与挑战:系统综述
    摘要:背景:近年来,领域驱动设计(domaindrivendesign,简称DDD)作为一种软件设计方法在业界中逐渐流行起来,并形成了若干应用的固有范式,即领域驱动设计模式(domaindrivendesignpattern,简称DDDP).然而,目前软件开发社区却仍然对DDDP在软件项目中的作用缺 ...
    本站小编 Free考研考试 2022-01-02
  • 面向图像场景转换的改进型生成对抗网络
    摘要:设计了新的生成器网络、判决器网络以及新的损失函数,用于图像场景转换.首先,生成器网络采用了带跨层连接结构的深度卷积神经网络,其中,多个跨层连接以实现图像结构信息的共享;而判决器网络采用了多尺度全域卷积网络,多尺度判决器可以区分不同尺寸下的真实和生成图像.同时,对于损失函数,该算法借鉴其他算法提 ...
    本站小编 Free考研考试 2022-01-02
  • 碎片化家谱数据的融合技术
    摘要:家谱数据是典型的碎片化数据,具有海量、多源、异构、自治的特点.通过数据融合技术将互联网中零散分布的家谱数据融合成一个全面、准确的家谱数据库,有利于针对家谱数据进行知识挖掘和推理,从而为用户提供姓氏起源、姓氏变迁和姓氏间关联等隐含信息.在大数据知识工程BigKE模型的基础上,提出了一个结合HAO ...
    本站小编 Free考研考试 2022-01-02
  • 一种高效低能耗移动数据采集与无线充电策略
    摘要:在无线可充电传感器网络(wirelessrechargeablesensornetwork,简称WRSN)中,所面临的一项重要挑战是如何在高效收集传感器节点数据的同时,降低网络整体能量消耗.大多数现有数据收集策略或是不能适应大规模的充电传感器网络,或是没有充分考虑到传感器节点能量补充的问题,这 ...
    本站小编 Free考研考试 2022-01-02