Deep Photo Enhancer : Apprentissage non apparié pour l'amélioration d'images à partir de photographies avec des GANs

Cet article propose une méthode d'apprentissage non apparié pour l'amélioration d'images. Étant donné un ensemble de photographies avec les caractéristiques souhaitées, la méthode proposée apprend un améliérateur de photo qui transforme une image d'entrée en une image améliorée avec ces caractéristiques. La méthode est basée sur le cadre des réseaux antagonistes génératifs bidirectionnels (GANs) avec plusieurs améliorations. Tout d'abord, nous augmentons le U-Net avec des caractéristiques globales et montrons qu'il est plus efficace. Le U-Net global agit comme le générateur dans notre modèle GAN. Deuxièmement, nous améliorons le Wasserstein GAN (WGAN) avec un schéma de pondération adaptatif. Avec ce schéma, l'entraînement converge plus rapidement et mieux, et est moins sensible aux paramètres que le WGAN-GP. Enfin, nous proposons d'utiliser des couches de normalisation de lot individuelles pour les générateurs dans les GANs bidirectionnels. Cela aide les générateurs à mieux s'adapter à leurs propres distributions d'entrée. Ensemble, ces améliorations améliorent considérablement la stabilité de l'entraînement des GANs pour notre application. Les résultats quantitatifs et visuels montrent que la méthode proposée est efficace pour améliorer les images.