【ICCV 2021】HCFlow：使用一个统一的框架处理图像超分辨率和图像再缩放

近期，归一化流（Normalizing Flow）模型在底层视觉领域取得了惊人的效果。在图像超分辨率上（image SR），可以用来从低分辨率图像中预测出细节不同的高质量高分辨率（diverse photo-realistic）图像。在图像再缩放（image rescaling）上，可以用来联合建模下采样和上采样过程，从而提升性能。

本文提出了一个统一的框架 HCFlow，可以用于处理这两个问题。具体而言，HCFlow 通过对低分辨率图像和丢失的高频信息进行概率建模，在高分辨率和低分辨率图像之间学习一个双射（bijection）。其中，高频信息的建模过程以一种多层级的方式条件依赖于低分辨率图像。在训练中，该研究使用最大似然损失函数进行优化，并引入了感知损失函数（perceptual loss）和生成对抗损失函数（GAN loss）等进一步提升模型效果。

实验结果表明，HCFlow 在通用图像超分辨率、人脸图像超分辨率和图像再缩放等任务上取得了最佳的结果。

https://www.zhuanzhi.ai/paper/1b2090e983fe9ef20444f20e3dad9fd5