使用VGG能量损失的单图像超分辨率重建
作者:
作者单位:

作者简介:

丁玲(1994-),女,讲师,主要研究领域为机器学习,数据挖掘.
张健(1990-),男,博士,讲师,CCF专业会员,主要研究领域为机器学习,模式识别.
丁世飞(1963-),男,博士,教授,博士生导师,CCF杰出会员,主要研究领域为智能信息处理,人工智能与模式识别,机器学习,数据挖掘,粗糙集,软计算,大数据分析,云计算.
张子晨(1992-),男,博士生,主要研究领域为机器学习,模式识别.

通讯作者:

丁世飞,E-mail:dingsf@cumt.edu.cn;张健,E-mail:597409675@qq.com

中图分类号:

TP391

基金项目:

国家自然科学基金(61976216,61672522)


Single Image Super-Resolution Reconstruction Based on VGG Energy Loss
Author:
Affiliation:

Fund Project:

National Natural Science Foundation of China (61976216, 61672522)

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    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.

    参考文献
    相似文献
    引证文献
引用本文

丁玲,丁世飞,张健,张子晨.使用VGG能量损失的单图像超分辨率重建.软件学报,2021,32(11):3659-3668

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2020-01-15
  • 最后修改日期:2020-03-09
  • 录用日期:
  • 在线发布日期: 2021-11-05
  • 出版日期:
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号