摘要

近年来，归一化流（Normalizing Flows）在低级视觉任务中展示了令人鼓舞的结果。对于图像超分辨率（SR），它学会了从低分辨率（LR）图像预测多样的照片级真实高分辨率（HR）图像，而不是学习确定性的映射关系。对于图像重缩放，它通过同时建模降尺度和升尺度过程实现了高精度。尽管现有的方法为这两个任务采用了专门的技术，我们着手将它们统一在一个单一的框架中。在本文中，我们提出了层次条件流（HCFlow）作为图像超分辨率和图像重缩放的统一框架。具体而言，HCFlow通过同时建模LR图像的分布及其剩余高频成分来学习HR和LR图像对之间的双射映射关系。特别是，高频成分以层次方式依赖于LR图像。为了进一步提升性能，在训练过程中将感知损失和GAN损失等其他损失与常用的负对数似然损失结合使用。广泛的实验表明，所提出的HCFlow在一般图像超分辨率、人脸图像超分辨率和图像重缩放方面均取得了最先进的性能，无论是在定量指标还是视觉质量上都表现优异。