《表5 所提方法的不同部分的影响》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于生成对抗网络的文本图像联合超分辨率与去模糊方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证去模糊模块、对抗训练和集成逐像素损失中的超分辨率损失对本文提出方法的有效性，分别进行了消融实验。从表5可以看出，移除去模糊模块显著降低了重建图像的质量。一个原因是上采样模块加剧了由输入图像中像素退化引起的伪影。因此，在生成器中添加去模糊模块可以有效地抑制伪影，生成字符更清晰的文本图像。当不使用对抗训练去优化模型时，从表5中可以看出PSNR和SSIM都有一定的提高，这并不令人惊讶。正如在文献[10，27]中所观察到的一样，这是因为模型是专门针对这两个指标优化的。这样重建的图像通常过于平滑并且缺乏足够的图像细节，因此OCR的精度明显降低。正如表5所示，去除集成逐像素损失中的超分辨率损失（即式（1）的第一部分）后，图像质量有一定程度的下降。此损失迫使上采样模块生成的超分辨率图像接近真实图像，这有助于后续的去模糊模块重建出更清晰的高分辨率图像。