EnhanceNet — сверточная нейронная сеть, разработанная для однокадрового суперразрешения изображений с акцентом на восстановление правдоподобных текстур и высокочастотных деталей. Модель была предложена в контексте исследований по улучшению качества масштабируемых изображений за счёт комбинирования перцептуальных функций потерь и специальных модулей для синтеза текстуры. В исходных работах авторы ставили задачу не только повысить пик-функцию качества (например, PSNR), но и создать визуально реалистичные результаты, которые воспринимаются людьми как естественные детали оригинала.
Архитектура EnhanceNet основана на глубоких сверточных блоках с пропускными связями и слоями для увеличения масштаба (upsampling), а также на дополнительных компонентах, отвечающих за генерацию мелких текстурных элементов. Для оптимизации используются не только классические регрессии по пикселям, но и перцептуальные потери, вычисляемые на признаках предобученных сверточных сетей, а также адверсариальные критерии, стимулирующие модель к созданию реалистичных локальных вариаций. При отсутствии исчерпывающей документированной информации о конкретных вариантах реализации, публичные описания обычно приводят EnhanceNet как пример подхода, где синтез текстуры интегрирован в процесс суперразрешения.
- Цель: восстановление реалистичных текстур при увеличении разрешения одиночного кадра.
- Архитектура: глубокие сверточные сети с пропускными связями и блоками для увеличения масштаба.
- Потери: комбинирование пиксельных ошибок, перцептуальных функций потерь (feature loss) и адверсариального компонента.
- Синтез текстур: автоматизированная генерация высокочастотных деталей вместо простого интерполирования.
- Перцептуальное качество: оптимизация под человеческое восприятие, а не только под математические метрики типа PSNR.
- Применение: улучшение качества фотографий, реставрация материалов для компьютерной графики и предварительная обработка для задач компьютерного зрения.
- Ограничения: возможная генерация неверных или артефактных деталей, требующая тонкой настройки потерь и данных для обучения.
- Развитие: последующие исследования интегрировали идеи перцептуальных и адверсариальных потерь в разные семейства моделей суперразрешения и адаптировали методы синтеза текстур под разные домены данных.