- SRGANは4倍の超解像で、元画像の画素との差だけでなく、知覚的な質感を重視して学習する。
- 第5版のSet14ではSRGANの人手MOSが3.72、比較するSRResNetは2.98だった。
- 同じSet14のPSNRはSRGAN 26.02 dB、SRResNet 28.49 dBで、自然さと画素単位の近さは逆向きになった。
何を確かめた研究か
低解像度画像を4倍に拡大すると、元の細かい模様は入力に残っていない。画素の平均二乗誤差を減らす方法は、数値上は元画像に近くても、見た目がぼやけることがある。SRGANの論文は、敵対的学習と画像特徴に基づく内容損失を使い、人が自然に感じる質感を作れるかを調べた。
どう検証したか
著者らはSet5、Set14、BSD100の画像で4倍拡大を行い、PSNR、SSIM、人手の平均意見得点MOSを比べた。SRResNetなどの再構成重視の方法と、複数の損失関数のSRGANを比較する。PSNRとSSIMは元の高解像度画像との数値上の近さを測り、MOSは聞き手ではなく観察者が画像の見た目を評価した値である。
この二種類の尺度を並べることで、「元画像の画素を再現する」ことと「自然な質感に見える」ことが同じ目標でないと分かる。特に細部は低解像度入力から一意に決まらないため、生成された模様が本来の模様と一致する保証はない。
何が分かったか
表2のSet14ではSRGANのMOSが3.72、SRResNetは2.98で、観察者はSRGANの画像をより自然だと評価した。一方、PSNRはSRGAN 26.02 dB、SRResNet 28.49 dBで、画素単位の近さはSRResNetが上だった。BSD100でもSRGANのMOS3.56に対しSRResNet2.29、PSNRは25.16 dBに対し27.58 dBだった。
この結果は、画質指標を一つだけ選ぶと、用途にとって重要な違いを見逃すことを示す。見た目の改善と、元画像にあった細部を正しく復元したことも分けて考えたい。
限界は何か
MOSは評価した画像と観察者、提示方法に依存する。PSNRが低いことを無視してよいという結論ではない。自然に見える細部が生成された場合、実際には写っていなかった情報を事実として読み取る危険がある。論文は医療画像や法的証拠での妥当性を検証していない。
仕事との接点
写真の見栄えを上げるなら人手の見た目評価を使い、文字や測定値を読む用途なら元情報への忠実さを重視する。目的ごとにPSNR、MOS、誤認識を測る。これは論文の評価差から導くTRAIL編集部の提案であり、生成された細部の真実性を論文が保証するものではない。