CVPR2021(oral) GLEAN: Generative Latent Bank for Large-Factor Image Super-Resolution

GLEAN: Generative Latent Bank for Large-Factor Image Super-Resolution
文章链接：https://arxiv.org/pdf/2012.00739.pdf

1、 Introduction，  Related Work

In this study, we explore a new way to employ GAN [9] for image super-resolution.
本文主要研究SR中大尺度放大的情况。

现有的两种使用Gan的方式：

1、常见的做法，分别训练生成器和判别器

2、另外一种方法是通过GAN的逆向。将之前损坏的图像映射到隐空间。复原后的图像可以从隐藏空间中的最优向量重构出来。

其中第一种方法通常使用由保真度项和对抗性损失组成的组合目标函数从头开始训练SR生成器。该方法经常产生伪影和不自然的纹理，如图1。

第二种方法，由于低维隐码和图像空间的约束不足以指导恢复过程，这些方法往往生成保真度较低的图像。同时In addition, as the optimization is usually
conducted in an iterative manner for each image at runtime,
these approaches are often time-consuming

在我们的方法中，我们利用诸如StyleGAN[16]等预先训练过的GANs来为任务提供丰富多样的先验。我们的方法只需要单一的前向传播来生成图像，加快了运行速度。

We show that pre-trained GANs can be employed as a latent bank in a succinct encoder-bank-decoder architect