BriefGPT - AI 论文速递
·
通过小波损失训练变压器模型提高单幅图像超分辨率的定量和视觉效果
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
使用LWay框架结合有监督预训练和自监督学习提高图像超分辨模型的适应能力和细节恢复能力。通过DWT进一步改进对高频细节的聚焦。该方法在真实世界数据集上显著改善了超分辨模型的泛化能力和细节恢复能力，超越了现有方法。
🎯
关键要点
- 使用LWay训练框架结合有监督预训练和自监督学习。
- 通过提取低分辨率图像的降级嵌入与超分辨输出合并进行LR重建。
- 利用未见过的LR图像进行自监督学习，提高模型对真实世界图像的适应能力和细节恢复能力。
- 通过离散小波变换（DWT）进一步改进对高频细节的聚焦。
- 该方法在真实世界数据集上显著改善了超分辨模型的泛化能力和细节恢复能力。
- 超越了现有方法，适用于实际图像超分辨应用的通用训练方案。
➡️
