TOC

Texture Hallucination for Large-Factor PaintingSuper-Resolution

网络结构

• 属于Reference-based SR
• Fig 2左侧对低分图像$I_{LR}$上采样16倍获取对应的超分特征$F_{SR}$;
• Fig 2右侧中$I_{Ref \downarrow \uparrow}$为将参考图像先bicubic降采样s=$2^L$(16)倍，再升s倍，目的是为了和$I_{LR \uparrow}$具有相同的分布；
• 为降低计算量，对$I_{Ref \downarrow \uparrow}$和$I_{LR \uparrow}$提取特征，计算其匹配信息：

​ 其中$H^{L-2}_{M}$表示特征匹配运算；

• 通过计算的匹配信息，对提取的参考图像特征进行转换：

  

  其中$H^L_{T}$表示特征转换运算；

• 最终对$F_{SR}$和$F^L_{T}$进行concat，重建出超分图像；

loss函数

• 重建损失（l1损失）+感知损失+对抗损失+小波纹理损失+降质损失
• 小波纹理损失和降质损失为其创新点
• 小波纹理损失：

​ $H^{HH}_{W}()$为Haar小波变换提取的高频信息，Gr()表示Gram矩阵，Haar小波变换：

小波纹理损失的目的：保护生成的图像具有较好的纹理（类似参考图像），解决重建损失在超分倍数较大时，超分图像平滑的问题；

• 降质损失：

目的：能够在某种程度上抑制伪影；