ICCVJul, 2023

光谱判别器对感知质量改善的有效性研究

PDF
TL;DR通过比较频谱鉴别器和空间鉴别器在高频和低频范围内的表现差异，我们建议同时使用频谱和空间鉴别器，并通过 Transformer 计算补丁的傅立叶谱并聚合谱来改进频谱鉴别器的效果。添加频谱鉴别器使得我们得到的超分辨率图像其频谱更接近真实图像，从而在感知细节和图像质量之间达到更好的平衡；集成鉴别器更准确地预测感知质量。
spectral discriminatorsperceptual image super-resolutiongan-based srspatial discriminatorpatch-wise fourier spectrum
发现论文，激发创造
  • 光谱分布感知图像生成

    本文提出使用谱鉴别器按照真实数据的频率分布生成图像，以解决当前深度生成模型中图像易被识别的问题。谱鉴别器具有轻量、模块化等特点，可以有效改进生成图片的频谱，提升模型性能。

    Dec, 2020

  • SSD-GAN: 空间和频谱域中真实度的度量

    本文提出了一种名为 SSD-GAN 的 GAN 算法增强版，加入了一个基于频率感知的分类器来测量输入图像在空间和频谱领域内的真实性，并采用增强版的辨别器来激励生成器生成真实数据高频内容和精确细节。该方法易于集成并验证其有效性。

    Dec, 2020

  • 傅里叶空间损失用于高效的感知式图像超分辨率

    本文提出一种基于傅里叶域的感知质量强化的超分辨率图像重建方法，利用新型 Loss Function 提升低复杂度生成器网络的表现，以及在空间域和傅里叶域均应用不同 Loss Function 以提取不同信息。最终得出与 RankSRGAN 和 SRFlow 等最先进感知超分辨率方法相当的结果，并且比这些方法快 2.4 倍至 48 倍不等。

    Jun, 2021

  • 基于对比学习和频谱滤波器配置的图像生成精炼的光谱翻译

    该研究提出了一种基于对比学习的频谱转换框架（STIG），以改善生成对抗网络和扩散模型的图像生成性能，通过对图像的频谱进行精炼，减少频谱异常，提高图像质量。

    Mar, 2024

  • 探讨生成对抗网络产生的面部图像频谱的异步性

    本文提出了一种基于异步频率谱的方法，对生成对抗网络（GAN）的合成图像进行识别和检测，并在不同领域之间进行了验证。

    Dec, 2021

  • 学习的光谱超分辨率

    使用卷积神经网络 (CNN) 的最佳实践完成从 RGB 图像到对应大小的高光谱图像的直接映射，实现了超分辨率的高光谱成像，优于现有技术水平。

    Mar, 2017

  • 生成模型的频率偏差

    该研究通过对生成对抗网络的结构进行分析，提出了一些关于频率偏差和高频伪影的新发现，并尝试分析了一些现有的提高生成质量的方法，但没有实现完美的改进。最后，该研究建议，提升鉴别器的质量将是解决频率伪影问题的关键。

    Nov, 2021

  • 基于生成对抗网络和概率图模型的高光谱图像分类

    本文介绍了一种使用生成式对抗网络与概率图模型相集成的方法来进行高光谱图像分类，试图提高分类精度并在数据利用率上更有效地使用大量未标注数据，实验结果表明，这种方法在使用少量数据进行训练时，获得了令人鼓舞的分类准确度。

    Feb, 2018

  • 卷积神经网络生成的图像傅里叶频谱差异检测

    通过 DCGAN、LSGAN、WGAN-GP 和 StarGAN 等实验，我们证明了 CNN 生成图像中的高频谱衰减特征并非根本性缺陷，可以通过微小结构调整避免。同时，我们成功绕过了最近提出的利用高频谱衰减属性进行 CNN 生成图像检测的技术。这些结果表明，高频谱衰减属性并非鲁棒性特征且无法用于 CNN 生成图像检测，这需要重新思考。

    Mar, 2021

  • 深度网络生成的图像中的傅里叶频谱偏差

    通过对高频傅里叶模式的分析，我们提出了一种基于图像频谱的检测方法，能够在 5000 张图像的数据集上实现高达 99.2% 的准确分类，并建议一种修改高频属性的方法以模拟真实图像。

    Nov, 2019