Page 485 - 《软件学报》2024年第6期

张浩南 等: 高清几何缓存多尺度特征融合的渲染超分方法 3061

(c) Input (d) NSRR (e) RCAN (f) RRN (g) Ours (h) GT
图 6 Bunker 场景下的我们方法与其他方法的视觉结果对比 (续)

(a) Ours (b) GT

(g) Ours
(h) GT
(f) RRN
(c) Input (d) NSRR (e) RCAN
图 7 Redwood Forest 场景下的我们方法与其他方法的视觉结果对比

进一步来说, 以图 8 中第 2 行各方法对于远处船舶上的缆绳为例, 低分辨率的输入图片在该区域表现为零散
[12]
[18]
的黑色像素, 混叠现象严重, 原有的绳索结构几乎完全损坏. RCAN 和 RRN 方法均无法对此进行有效重建. NSRR [9]
网络对该区域进行了一定程度的还原, 但在连续性有所欠缺, 最终呈现出“杂乱”的画面. 而我们的方法能利用几何
缓存与合理的融合框架对细节进行有效恢复, 产生与参考图像极其相近的结果.

(a) Ours (b) GT
图 8 Medieval Docks 场景下的我们方法与其他方法的视觉结果对比