【每周CV论文推荐】基于GAN的图像超分辨值得阅读的文章
【每周CV论文推荐】基于GAN的图像超分辨值得阅读的文章
欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。
图像超分辨（Image Super-resolution）是一个非常基础的图像处理领域，随着生成对抗网络技术的成熟，基于GAN的图像超分辨技术已经进行了成熟的商业化落地，本次我们来简单给大家推荐一些初学者值得关注的工作。
作者&编辑 | 言有三
1 基本模型
SRGAN是第一个使用GAN技术来改进图像超分辨效果的模型，它通过对抗损失的添加，取得了比对比方法更高的生成质量。ESRGAN则在SRGAN的基础上，改进了一些模型细节，并使用了更好的相对判别损失。
文章引用量：11000+
推荐指数：✦✦✦✦✦
[1] Ledig C, Theis L, Huszár F, et al. Photo-realistic single image super-resolution using a generative adversarial network[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 4681-4690.
[2] Wang X, Yu K, Wu S, et al. Esrgan: Enhanced super-resolution generative adversarial networks[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 0-0.
2 无监督模型
真实的图像退化过程是复杂的，而成对的高质量与低质量数据难以获得，为了让模型在真实数据集上有更好的泛化能力，使用无监督的数据集是必须采样的方案，其中CycleGAN为代表的框架提供了非常好的基准模型，在其基础上进行设计改进即可以获得不错的结果。
文章引用量：600+
推荐指数：✦✦✦✦✦
[3] Bulat A, Yang J, Tzimiropoulos G. To learn image super-resolution, use a gan to learn how to do image degradation first[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 185-200.
[4] Y. Yuan, S. Liu, J. Zhang, Y. Zhang, C. Dong, and L. Lin, “Unsupervised image super-resolution using cycle-in-cycle generative adversarial networks,” in CVPRW, 2018.
[5] Maeda S. Unpaired image super-resolution using pseudo-supervision[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 291-300.
3 自监督模型
前面介绍的模型都是聚焦于从低质量图到高质量的恢复，鉴于在某些特定的领域，比如人脸图像领域，当前基于StyleGAN的人脸图像生成模型已经拥有非常高质量的生成效果。一个典型的的自监督模型考虑从高质量图到低质量的映射，从而训练低质量图到高质量图的多种重建结果，在图像质量提升上非常成功。
文章引用量：200+
推荐指数：✦✦✦✦✧
[6] Menon S, Damian A, Hu S, et al. Pulse: Self-supervised photo upsampling via latent space exploration of generative models[C]//Proceedings of the ieee/cvf conference on computer vision and pattern recognition. 2020: 2437-2445.
4 图像超分辨应用
图像超分辨应用非常广泛，在人脸图像质量提升，低清晰度视频修复等领域都有较大的商业价值，并且可以用于辅助其他任务，比如目标检测领域，从而提升小目标的检测精度。
文章引用量：1000+
推荐指数：✦✦✦✦✧
[7] Chen Y, Tai Y, Liu X, et al. Fsrnet: End-to-end learning face super-resolution with facial priors[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 2492-2501.
[8] Hu P, Ramanan D. Finding tiny faces[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 951-959.
5 如何实战
为了帮助大家掌握基于GAN的图像超分辨等问题！我们推出了相关的专栏课程《深度学习之图像增强GAN：理论与实践》，全面讲解基于GAN的图像降噪、色调映射、去模糊、超分辨、修复等问题，感兴趣可以进一步阅读：
【视频课】超8小时，5大模块，掌握基于GAN的图像增强应用（降噪色调映射去模糊超分辨修复）
总结
本次我们介绍了基于GAN的图像超分辨的一些典型方法，从事相关方向的朋友可以通过阅读这些文章进行初步了解，图像超分辨是一个应用场景丰富，商业价值巨大的问题，是掌握图像增强相关任务的必经之路。
有三AI- CV夏季划
如何系统性地从零进阶计算机视觉，永久系统性地跟随我们社区学习CV的相关内容，请关注有三AI-CV夏季划组，阅读了解下文：
【CV夏季划】2022年正式入夏，从理论到实践，如何系统性进阶CV？（产学研一体的超硬核培养方式）
转载文章请后台联系
侵权必究