感知 - 失真平衡
本研究中，我们尝试使用生成对抗网络框架将 SR 网络 EDSR 作为生成器模块，通过结合均方误差损失、感知损失和对抗性损失训练我们的网络，以在失真和感知质量之间获得最佳权衡，从而实现更好的感官质量。
Nov, 2018
我们研究了确定性成像逆问题求解方法的行为，证明了为了实现高感知质量和与测量一致的重建，越好的预测器的利普希茨常数必须越大，这意味着这种方法对敌对攻击更加敏感。我们在单图像超分辨率算法上展示了我们的理论，并展示了如何利用这种不希望的行为来探索后验分布，从而使确定性模型模仿随机方法。
Nov, 2023
本文介绍了一种通过深度学习框架 Bi-GANs-ST 结合两种生成对抗网络，分别注重客观性能和主观感知的权重感知 SRGAN 和记忆残留 SRGAN，再使用软阈值法合并两个模型的结果从而实现在感知指标和均方根误差之间平衡的超分辨率图像生成方法。实验结果表明，该方法在 PIRM 2018 挑战赛的感知超分辨率任务上表现良好，且在五个基准测试数据集上都具有高度竞争性的性能。
Nov, 2018
通过集成梯度自由进化算法与基于梯度的 Adam 算法，构建了一个新的优化器，将超分辨率中的感知和失真权衡问题转化为多目标优化问题，并通过融合网络将不同感知 - 失真偏好的最佳模型合并为一个更强大的模型，实验表明，我们的方法训练得到的感知 - 失真平衡的超分辨率模型能够在感知质量和重建保真度方面优于竞争方法。
Dec, 2023
本文介绍了最新的反感知 (IR) 算法基于生成对抗网络 (GANs)，但其定量评估与视觉感知质量存在不一致性。为了回答现有的 IQa 方法能否客观评价最近的 IR 算法和促进 IQa 方法的发展，作者提出了一个大规模的 IQa 数据集 PIPAL，并针对 GAN 基础的 IR 算法，提出了一些新的基准方法和对空间错位改进的 IQa 网络。
Nov, 2020
本文提出了一种新的单图像超分辨率 (SISR) 框架，该框架采用了适用于每个区域的最佳目标以生成整体区域的高分辨率输出，并在五个基准测试中取得了优异的结果。
Nov, 2022
探索基于 transformer 的全参考图像质量评估模型的性能，并提出了一种基于半监督知识蒸馏的 IQA 方法，使用嘈杂的伪标签数据将全参考教师模型蒸馏到盲学生模型中。在 NTIRE 2022 感知图像质量评估挑战中，我们的方法取得了竞争力的结果。
Apr, 2022
通过采用 Blau & Michaeli 2018 年提出的感知质量的数学定义，研究了速率、失真和感知之间的三重权衡，我们证明了该三重权衡的几个基本属性，并在一个玩具 MNIST 例子上进行了可视化说明。
Jan, 2019
本文研究估计器的感知 - 失真权衡问题，导出了均方误差失真和 Wasserstein-2 感知指数下的失真 - 感知（DP) 函数的闭式表达式，证明了不论潜在分布如何，DP 函数总是二次的。我们还表明，这些估计器可以从感知质量卓越的 MSE 最小化器和感知质量优良的 MSE 最小化器两个极端处的估计器构建而来。
Jul, 2021