[GAN]Conditional Generative Adversarial Nets( cGAN ) (2014)

‣

Official pytorch implementation

https://github.com/KupynOrest/DeblurGAN

Abstract

end-to-end learned method for motion blurring

learning (training) : conditional GAN , content loss 기반

Discriminator로 Wasserstein GAN을 사용

multi-component loss function

Generator Architecture + Loss(Perceptual loss + WGAN-GP loss) + Critic Network Architecture + Wasserstein distance

Introduction

GAN의 Super Resolution , in-painting 에서의 응용

GAN은 이미지의 texture detail을 보존하고 실제 이미지 매니폴드에 가깝고 지각적으로 설득력 있게 보이는(look perceptually convincing) solution을 생성해내는 것으로 알려져있음

GAN에서의 SR과 image-to-image translation에서 영감을 받음

⇒ Deblur의 과정이 image-to-image translation의 special case라고 취급

“CGAN 과 multi-component loss에 기반한 deblur task에 대한 접근 ⇒ DeblurGAN”

또한 gradient penalty와 perceptual loss와 함께 WGAN을 사용 ( MSE 또는 MAE를 optimization target로 사용하는 것보다 더 미세한 텍스처 디테일을 복원할 수 있게 해준다. )

[SRGAN] Perceptual Loss (1)

contribution

1. 우리는 가장 빠른 competitor보다 5배 빠르면서 SOTA 결과를 얻는 loss과 아키텍처를 제안합니다.