《表1 损失函数对比:生成对抗网络的单图像超分辨率重建方法》
为保证生成器构建图像低频部分的正确性,引入了Charbonnier损失。如表1所示,现今基于卷积神经网络的SR方法大多以L2损失优化网络。L2损失可以直接优化PSNR值,但不可避免地会产生模糊的预测。由于L2损失未能捕捉到潜在的HR patch的多模式分布,即同样的LR patch可能有很多对应的HR patch,重构的图像往往过于平滑,无法接近人类对自然图像的视觉感知。与L1损失相比,L2损失虽可以更好地重建图像高频信息,却在普通区域留下伪影。而L1损失虽然能以更清晰的边缘重建为代价函数去除斑点和伪影,却花费更多的重建时间。相比之下,本文使用一个鲁棒的Charbonnier损失函数代替L2损失来优化深度网络处理异常值,提高重构精度,不仅训练时间更少,重建结果的PSNR值也更高。Charbonnier损失函数的数学表示如式(6)所示:
图表编号 | XD00151461400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.01 |
作者 | 彭晏飞、高艺、杜婷婷、桑雨、訾玲玲 |
绘制单位 | 辽宁工程技术大学电子与信息工程学院、辽宁工程技术大学电子与信息工程学院、辽宁工程技术大学电子与信息工程学院、辽宁工程技术大学电子与信息工程学院、辽宁工程技术大学电子与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |