SFFAI 90—超分辨率专题《罗正雄：基于展开交替优化的盲超分算法》

摘要

https://github.com/greatlog/DAN.git

本期亮点

大纲

什么是SR：研究的是尽可能让放大后的图像包含尽可能多的细节

病态问题

模糊核分类

第一种：模糊核单一，已知

2014年（SRCNN）开始，这种方法输入输出定义都很清晰（LR和重建图像SR，LR是原始HR经过双三次降采样得到的），大家都集中在优化网络结构，目前性能已经饱和

第二种：模糊核多样，已知

输入不仅有LR图像，还必须有LR对应的模糊核，参考张凯实验的文章（18-20年），已经可以把这类问题解得很好了

为第三种方法服务

第三种：模糊核多样，已知（盲超分）

以往是通过模糊核估计和非盲方法的组合解决盲超分问题

以上方法存在问题：1、模型不兼容2、模糊核估计不准确

本文工作（交替优化方案）

优点：1、端到端网络，restorer和estimator两个模块在同一个网络进行优化，两个模块有更好兼容性

2、以往模糊核估计只用到LR图像，可利用信息有限，而本文模糊核估计时用到中间超分结果，这样模糊核估计会准确

问题：1、estimator和restorer的参数如何共享？2、为什么要用到GT的kernel？不是说好的盲超分么，也就是不知道模糊核？如果没有这个核怎么办？3、如果没有GT的HR又怎么办？

怎么设计restorer和estimator？

我们的方法在不同条件下的测试

有GT的kernel和没有的性能差不多，说明我们方法性能提升不来自于得到更准确的模糊核，在于对模糊核有更强的鲁棒性，这就得益于端到端训练，不要求kernel很精准

总结