融合光照损失的图像超分辨率生成对抗网络

本文针对在低光照条件下图像分辨率低的问题,提出一种融合光照损失的图像超分辨率生成对抗网络(image super-resolution generative adversarial network based on light loss,LSRGAN)模型.该模型通过构建高分辨率-低分辨率图像对,利用生成器网络、判别器网络进行训练,实现低光照条件下更好的模型生成图像效果.该模型的损失函数包括光照损失、结构相似性损失、内容损失和对抗损失.模型通过构建光照损失函数,利用RGB三原色颜色空间与YIQ颜色空间的线性关系计算出图像中的亮度分量,将图像中的亮度作为损失函数,更好地恢复低光照条件下的低分辨率图像;通过增加结构相似性损失,计算超分辨率图像与真实高分辨率图像之间的结构相似性,提高生成图像的质量;内容损失区别于传统的基于像素的损失,使用VGG19网络中的特征映射进行计算,可以得到更逼真的生成图像;对抗损失使用判别器网络区分超分辨率图像与真实高分辨率图像,提高超分辨率图像的视觉效果.通过在4个标准数据集Set5、Set14、BSDS100和Urban100上设计对比实验,证明通过增加对光照更加敏感的损失函数,使该模型在低光照条件下具有更好的模型生成图像效果;同时通过增加结构相似性损失,使生成的图像视觉质量更好.