高分辨率训练数据收集对于建立稳健的植物病害诊断系统至关重要，因为这些数据对诊断性能有着重要的影响。然而，高分辨率训练数据很难获得，而且在实践中并不总是可用的。基于深度学习的技术，特别是GANs可用于生成高质量的超分辨率图像，但这些方法通常会产生意外伪影，从而降低诊断性能。本文提出了一种专门用于诊断叶病的新型抑制伪影的超分辨率方法，称为LASSR。

叶区域SR方法的比较(4倍向上采样)：(a)ESRGAN; (b)拟议的LASSR; (c)原始的HR图像

一片叶子的SR和真实的HR图像

相比最先进的ESRGAN模型，LASSR由于它自己的伪影去除模块，可以最大程度的检测和抑制伪影，生成更令人满意的高质量图像。基于一个五类黄瓜病害(包括健康)判别模型的实验表明，使用LASSR生成的数据进行训练，与基线相比，在不可见测试数据集上的性能显著提高了近22%，比使用ESRGAN生成的图像训练的模型好2%以上。

生成的SR结果与原始HR图像的比较

SR和原始HR图像的线条轮廓

来源：

Cap Q H, Tani H, Uga H, et al. LASSR: Effective Super-Resolution Method for Plant Disease Diagnosis. arXiv:2010.06499.