Mit der Anwendung generativer gegnerischer Netzwerke im Bereich der Bild-Superauflösung (SR) können einige SR-Methoden, die auf Wahrnehmung basieren, SR-Bilder mit reichhaltigeren Texturdetails wiederherstellen und dadurch effektiv das Problem mildern, dass durch PSNR-dominierte SR-Methoden rekonstruierte Bilder zu glatt erscheinen. Gradientinformationen als wichtige Form der Bildtextur werden jedoch selten genau und effizient in SR-Methoden genutzt. Daher wird ein auf Gradientenwahrnehmung basierender Bild-Superauflösungsalgorithmus (GASR) vorgeschlagen, der Gradienteninformationen genauer nutzen kann. Einerseits wird eine Merkmalabbildung im Gradientenbereich als Faltungskern verwendet, der auf die Merkmalabbildung im Bildbereich wirkt, wodurch Domänenkonflikte, die durch das Verketten von Merkmalabbildungen aus verschiedenen Bereichen entstehen, effektiv vermieden werden; andererseits wird durch die Anpassung von Design-Details wie der Größe des Faltungskerns das Empfangsfeld der Ausgabemerkmalabbildungen des Bild- und Gradientenbereichs an den entsprechenden Positionen der beiden Zweige angeglichen. Darüber hinaus reduziert der vorgeschlagene GASR-Algorithmus aufgrund der gestiegenen Anforderungen an die Netzwerk-Leichtbauweise in der Praxis effektiv die Anzahl der Parameter und den Rechenaufwand. Im Vergleich zu SPSR, welches ebenfalls Gradienteninformationen nutzt, erreicht GASR mit etwa 1/6 der Parameterzahl und 1/10 des Rechenaufwands eine ähnliche Leistung. Auf dem Set14-Datensatz verbesserten sich LPIPS und PSNR um 0,0022 bzw. 0,217. Experimentelle Ergebnisse bestätigen, dass GASR ein gutes Gleichgewicht zwischen Texturerzeugung und Bildglätte erzielt, und die Visualisierung zeigt, dass GASR SR-Bilder nicht nur genau wiederherstellen kann, sondern auch die Erzeugung von unordentlichen Texturen bis zu einem gewissen Grad mindert.

Bild-Superauflösung; Gradient; tiefes Lernen; generative gegnerische Netzwerke