PCASRGAN论文阅读笔记

题目：PCA-SRGAN: Incremental Orthogonal Projection Discrimination for FaceSuper-resolution

中文：PCA-SRGAN：用于人脸超分辨率的增量正交投影识别

摘要

• 生成对抗网络（GAN）已被用于面部超分辨率，但它们容易扭曲扭曲的面部细节，并且在恢复逼真的纹理方面仍然存在不足。为了进一步提高基于GAN的超分辨人脸图像模型的性能，提出了PCA-SRGAN，它关注人脸数据的PCA投影矩阵在正交投影空间中的累积区分。通过将从结构到细节的主成分投影输入到判别器中，将大大消除辨别难度，并且可以增强生成器来重建更清晰的轮廓和更细的纹理，有助于实现高感知度和低感知度。最终变形。这种递增的正交投影判别保证了从粗到细的精确优化过程，并且避免了对感知正则化的依赖。我们对CelebA和FFHQ人脸数据集进行了实验。定性视觉效果和定量评估证明了我们的模型在相关作品上的压倒性表现。

背景：生成对抗网络（GAN）容易扭曲扭曲的面部细节，并且在恢复逼真的纹理方面仍然存在不足。
方法：提出了PCA-SRGAN，通过将从结构到细节的主成分投影输入到判别器中，将大大消除辨别难度，并且可以增强生成器来重建更清晰的轮廓和更细的纹理，有助于实现高感知度和低感知度
结论：定性视觉效果和定量评估证明了我们的模型在相关作品上的压倒性表现。

图1：通过逐步鉴别以及逐渐增加的子空间对PCA-SRGAN的重建结果。上图列出了相应的子空间尺寸和能量比例

图2：可视化显示已添加到平均Facex中的不同比例的主成分投影。随着比例的增长，投影将包含从粗糙到精细的不断增加的面部信息

图3：PCA-SRGAN的管道。进度条显示了子空间的变化过程，其上的其他部分说明了子空间上正交投影的区别或约束。

结论

• 在本文中，提出了一种使用增量正交投影判别法的PCA-SRGAN方法，以提高GAN在人脸SR任务上的性能。我们在PCA子空间上执行正交投影的累积判别，以减少训练难度并实现精确而稳定的重建，而无需借助知觉（VGG）损失。定性和定量比较显示了我们的模型在超分辨率逼真的面部上令人信服的性能以及感知和失真之间的权衡。在进一步的研究中，我们将通过引入其他类型的字典空间或将模型应用于其他图像处理任务来开发模型。