【论文标题】GLEAN: Generative Latent Bank for Large-Factor Image Super-Resolution 【图像超分】GLEAN：用于高倍率图像超分辨率的生成隐变量库 【作者团队】Kelvin C. K. Chan • Xintao Wang • Xiangyu Xu • Jinwei Gu • Chen Change Loy 【发表时间】2020/12/01 【论文链接】https://arxiv.org/pdf/2012.00739v1.pdf 【推荐理由】本文是StyleGAN-Inversion问题上的最新成果，将生成对抗网络应用到图像压缩问题上，在主观和客观指标上都超过知名的PULSE和ESRGAN等方法。

预先训练的生成对抗网络（GANs），如StyleGAN可以作为一个隐变量库来提升高倍图像超分辨率（SR）的重建质量。虽然大多数现有的SR方法都试图通过含有对抗性损失的网络学习来生成逼真的纹理，但本文的方法Generative LatEnt bANk（GLEAN）通过直接利用封装在预先训练的GAN中的丰富而多样的先验知识，超越了现有的SR方法。与目前流行的GAN反变换方法不同的是，该方法只需要一次前向推断就可以生成放大超分后的图像。GLEAN可以很容易地被融入到一个含多分辨率跳跃连接的编码器-解码器系统结构中。切换隐变量的库允许该方法处理来自不同类别的图像，例如，猫、建筑物、人脸和汽车。与现有方法相比，由GLEAN放大的图像在保真度和纹理逼真度方面有了明显的改进。

内容中包含的图片若涉及版权问题，请及时与我们联系删除