一招轻松将包浆网图提升至高清，去除伪影、恢复细节，下载即可体验

与前人工作相比，它可以更有效地消除低分辩率图像中的振铃和overshoot伪影；

面对真实风景图片，能更逼真地恢复细节，比如树枝、岩石、砖块等。

除了上面这些官方的demo，我们也试了一下，效果还比较满意：

如果你也想试试，可在GitHub上下载该模型的可执行文件，Windows/Linux/MacOS都可以，且不需要CUDA或PyTorch的支持。

下好以后只需在终端执行以下命令即可使用：

./realesrgan-ncnn-vulkan.exe -i input.jpg -o output.png

基于ESRGAN的改进研究

这个模型被命名为Real-ESRGAN，总的来说，就是通过模拟高分辨率图像变低分辩率过程中的各种退化，然后看到一张糊图后倒推出来它的高清图。

而它是对超分“前辈”ESRGAN的进一步研究。

ESRGAN曾赢得ECCV2018 PIRM-SR挑战赛中的第一名，但它在恢复具有未知和复杂退化（degradation）的低分辨率图像方面，也就是盲超分辨率（Blind Super-Resolution）上做的还不够好。

而相比ESRGAN，Real-ESRGAN使用合成数据进行训练，引入了高阶退化建模以更全面逼真地模拟复杂的图像退化，重点考虑了合成过程中常见的振铃和overshoot伪影。

还采用了一个具有谱归一化（Spectral Normalization）的U-Net鉴别器，来提高鉴别器的性能并稳定训练过程，最终实现了“青出于蓝胜于蓝”的效果。

下面就进入具体原理讲解：

通常情况下，真实图像y首先与模糊核（blur kernel）k进行卷积，然后执行具有比例因子r的下采样操作，通过添加噪声n获得低分辨率图像x。一般还得再加个JPEG压缩，即：

而获得高清图像的过程就是求解y的过程（其中D表示退化过程）。

然而只采用这一经典的退化模拟，训练后的模型只能处理部分图像，更复杂的退化（尤其是未知噪声和某些伪影）仍无法解决：

所以研究人员就引出了高阶退化过程来模拟出更真实全面的退化，它包含多个重复的经典退化过程，每个又具有不同的退化超参：

下图为Real-ESRGAN进行退化模拟的示意图：

采用的是二阶退化，具体来说：

在模糊（blur）退化方面，为了包含更多不同的核形状，Real-ESRGAN采用了广义高斯模糊核和plateau-shaped分布。

降噪（noise）方面，除了颜色噪声和灰度噪声，还模拟了两种常见类型：

（1）加性高斯噪声：其噪声强度受高斯分布标准差控制；（2）泊松噪声：其噪声强度与图像信息成正比。

resize也就是经典退化模拟里的下采样，在这里为了产生更多模糊图像，就改成了上采样+下采样的组合操作。resize方法中，由于最近邻插值会导致错位，最后就只考虑了面积、双线性和双三次插值。

JPEG压缩，能带来块伪影。下图为OpenCV与DiffJPEG的压缩效果对比，Real-ESRGAN采用的是DiffJPEG。

而在Real-ESRGAN重点关注的伪影方面：

主要针对非常常见的振铃伪影（下图左1左2，看起来像“鬼影”）和overshoot伪影（下图右2右1，看起来像“锯齿”）。

采用了sinc滤波器来模拟这两者 ：

以上，退化模拟搞定后，就可以开始训练了。

Real-ESRGAN的生成器沿用了ESRGAN的RRDBNet，还扩展了原始的×4 ESRGAN架构，以执行resize比例因子为×2和×1的超分辨率放大。

判别器则由VGG型升级为U-Net型，以具备更强的判别能力，处理复杂的输出以及生成关于局部纹理的精确梯度反馈。

另外，U-Net架构和复杂的退化给训练带来了不稳定性，为此，还采用了谱归一化来稳定模型训练，这也有助于缓解GAN带来的过度锐化以及伪影。

除伪影、恢复纹理细节的效果优于其他方法

最终可以看到，Real-ESRGAN在去除伪影和恢复纹理细节方面都明显优于以前的方法：

消融实验也发现采用二阶退化模型的效果最好、通过sinc滤波器的可以跟好地去除伪影、SN+UNet的组合取得了最佳的视觉效果、引入更多的模糊核，模型效果还可以进一步提升（分别对应下面四组图）：

当然，他们也发现三个表现不够好的效果，比如线条扭曲、出现了其他伪影。

团队介绍

Wang Xintao，毕业于浙江大学本科，香港中文大学博士（师从汤晓鸥），现在是腾讯ARC实验室（深圳应用研究中心）的研究员。研究兴趣集中在图像/视频的超分辨率恢复。ESRGAN的一作。

谢良彬 ，中国科学院深圳先进技术研究所硕士一年级学生，师从董超教授。

董超，中国科学院深圳先进技术研究院硕导，毕业于北理工本科，香港中文大学博士。曾任商汤科高级研究经理，谷歌学术引用14416次，h指数22。

单瀛，腾讯PCG应用研究中心（ARC）主任。

论文地址：https://arxiv.org/abs/2107.10833

Colab试玩地址：https://colab.research.google.com/drive/1k2Zod6kSHEvraybHl50Lys0LerhyTMCo?usp=sharing#scrollTo=7IMD5vhOYp68

GitHub项目地址：

https://github.com/xinntao/Real-ESRGAN

— 完 —

量子位 QbitAI · 头条号签约