Abstract

Single Image Super Resolution 방법은 Deep Convolutional Neural Network를 통해 정확도와 속도면에서 큰 발전을 보였다. 하지만 그 구조에서 아직 해결하지 못한 문제가 있는데, 해상도를 높이는 과정에서 Image Feature Details 를 잡아내지 못하는 것이다. 지금까지 SR모델들은 목적함수에 전적으로 의존해서 동작했는데 최근에 가장 좋은 성능을 보인 모델은 원본 이미지와의 MSE(Mean Square Error)를 이용해 차이를 줄이는 방식으로 학습했다. 그 결과 높은 SNR 점수를 보였지만, 고해상도의 이미지에서 디테일한 특징이 부족하다는 점이 야기 되었다. 이를 해결하기 위해 본 논문은 SR을 위한 GAN 모델을 제안한다. called SRGAN. Adversarial loss와 Content loss를 제안한다. Adversarial loss는 실제 이미지와 모델이 해상도를 높인 이미지를 구분하도록 Discriminator를 학습시킨다. Content loss는 MSE처럼 픽셀 단위로 유사도를 학습시키는 것이 아니라, 이미지의 특징적인 부분을 묘사하기 위해서 적용한다.

Introduction

지금까지의 SR 모델은 Image의 Feature Detail 보다는 UpScailing에 포커스 되어 있었다. SR Algorithm의 최적화 함수는 보통 원본 이미지로부터 만들어낸 이미지의 MSE 이다. MSE를 최소화 하면 SNR이 극대화되는 결과를 가져온다. 하지만 MSE는 픽셀 단위에서 이미지를 비교하기 때문에 고해상도에서 특징을 표현하는 것이 힘들었다. 아래 그림이 그 예 이다.

위 그림과 같이 원본과 UpScailing된 이미지의 특징적인 차이는 사실적이지 않다고 해석할 수 있다.