Real-ESRGAN
2021
Though many attempts have been made in blind super-resolution to restore low-resolution images with unknown and complex degradations, they are still far from addressing general real-world degraded images.
DeepL:ブラインド超解像では、未知で複雑な劣化を持つ低解像度画像の復元が数多く試みられているが、一般的な実世界の劣化画像への対応にはまだ程遠いのが現状である。
In this work, we extend the powerful ESRGAN to a practical restoration application (namely, Real-ESRGAN), which is trained with pure synthetic data. 本研究では、強力なESRGANを、純粋な合成データを用いて学習させる実用的な復元アプリケーション（すなわちReal-ESRGAN）へと拡張する。
Specifically, a high-order degradation modeling process is introduced to better simulate complex real-world degradations. We also consider the common ringing and overshoot artifacts in the synthesis process. 具体的には、実世界の複雑な劣化をよりよくシミュレートするために、高次の劣化モデリング処理を導入する。また、合成プロセスにおいて、一般的なringing artifactとオーバーシュートのアーチファクトを考慮する。 In addition, we employ a U-Net discriminator with spectral normalization to increase discriminator capability and stabilize the training dynamics. さらに、識別能力を高め、学習ダイナミクスを安定化させるために、スペクトル正規化を伴うU-Net識別器を採用する。 Extensive comparisons have shown its superior visual performance than prior works on various real datasets. We also provide efficient implementations to synthesize training pairs on the fly.
様々な実データを用いた広範な比較により、先行研究よりも優れた視覚的性能が示された。また、学習ペアをオンザフライで合成するための効率的な実装を提供する。
https://www.youtube.com/watch?v=fxHWoDSSvSc