Core Concepts
波紋領域損失を使用してGANベースのSRモデルを訓練することで、アーティファクトの制御が向上し、PDトレードオフが実現されます。
Abstract
この論文では、超解像(SR)タスクにおいて、波紋領域損失を使用してGANベースのSRモデルを訓練する方法が提案されています。これにより、高周波詳細画像部分を再構築する際に生じるアーティファクトや幻覚を効果的に抑制し、PD(知覚-歪み)トレードオフが改善されます。従来のRGBドメインやフーリエ空間の損失関数よりも波紋領域損失関数を使用することで、本手法は高い再現精度で本物の画像詳細を学習し、高品質なSR画像を生成します。
Stats
多くのアルゴリズムが「良い」解決策を見つけるために提案されてきた。
波紋領域損失は以前から文献で使用されてきた。
本手法は他のSOTA手法と比較して優れたパフォーマンスを示す。
Quotes
"A fundamental question is: Can a model learn to distinguish genuine image details from artifacts?"
"Extensive experimental results demonstrate that our model achieves better perception-distortion trade-off according to multiple objective measures and visual evaluations."
"Our wavelet-guided super-resolution (WGSR) model provides a better PD trade-off in the NRQM vs. PSNR plane compared to other state-of-the-art (SOTA) methods."