Page 341 - 《软件学报》2021年第11期

丁玲 等:使用 VGG 能量损失的单图像超分辨率重建 3667

Fig.6 Overall comparison of generated images of a VGG-SRGAN (left) and the corresponding real images (right)
图 6 基于 VGG-SRGAN 的生成的多幅图像(左)与真实图像(右)的整体对比

在实验部分,本文验证了提出的算法所生成的高分辨率图像能够拟合真实图像的统计特性,对微小的图像
细节能够实现较高精度的还原,且生成的高分辨率图像更加稳定.

4 总结与展望

为了从低分辨率图像生成更加锐利清晰的 4×高分辨率图像,本文提出了基于 VGG 能量损失的生成模型
VGG-SRGAN,该模型以低分辨率的图像作为输入,使用在 ImageNet 上训练的固定权值的 VGG 网络作为特征提
取器,提取高分辨率图像的特征,然后根据特征构建基于内容的损失函数 L con 和基于 VGG 能量的对抗辅助损失
L GAN ,其中,该 VGG 能量损失使用 VGG-UNet 网络的形式构建为 AE 结构 VGG-UAE,使用该 AE 的重构损失作
为能量.使用能量函数形式的对抗损失作为辅助项能使神经网络的训练更加稳定,且可以生成清晰锐利的高分
辨率图像.本文的实验部分验证了所提算法的有效性,本文提出的 VGG-SRGAN 不仅能够恢复原始图像的纹理
细节,且有更少的噪声点、更加平滑.然而,本文所使用是算法在定量指标上弱于传统的基于内容损失的网络模
型,如 SRResNet,究其原因,在于目前常用的定量分析指标大多与内容损失相关,因此不能很好地反映生成图像
的细节特征.我们接下来的工作是在优化模型的同时,寻找更加适合 SR 任务的评价指标.

References:
[1] He KM, Zhang X, Ren S, et al. Deep residual learning for image recognition. In: Proc. of the IEEE Conf. on Computer Vision and
Pattern Recognition. 2016. 770−778.
[2] Ding SF, Zhang N, Zhang J, et al. Unsupervised extreme learning machine with representational features. Int’l Journal of Machine
Learning and Cybernetics, 2017,8(2):587−595.
[3] He Y, Zhang J, Shan H, et al. Multi-task GANs for view-specific feature learning in gait recognition. IEEE Trans. on Information
Forensics & Security, 2019,14(1):102−113.
[4] Zhang N, Ding SF, Zhang J, et al. An overview on restricted Boltzmann machines. Neurocomputing, 2017,275(31):1186−1199.
[5] Seeliger K, Guclu U, Ambrogioni L, et al. Generative adversarial networks for reconstructing natural images from brain activity.
NeuroImage, 2018,181(1):775−785.