【VALSE论文速览-64期】用于图像盲超分辨的无监督退化表示学习
00:19
图像超分辨的含义
00:37
已有的方法：非盲的SR
01:33
非盲的SR的局限性：在真实的退化与双三次退化差别较大
01:56
非盲超分vs盲超分
02:15
病态问题：一张LR对应多张HR
02:35
退化估计：通用模型
03:15
局限：对退化估计的精度有较高依赖性
03:39
人眼擅长相对性判断，哪张更模糊
04:19
退化表示学习机制：致力于获取抽象表示，而不是完全表示
05:30
具体细节
06:22
SR架构
DA block：可以同时利用退化表示和feature map将feature map适配到对应的退化上
08:04
实验
退化表示可视化分析：需要用到HR
验证退化decoder具有区分不同退化的能力，隐式提供LR中退化信息
09:06
对退化表示进行更深入分析，退化表示对图像内容是否鲁棒
09:59
对10张SR结果统计分析
10:23
退化表示与纹理丰富程度的关系
11:12
现象：随着图像块纹理丰富程度的提升，PSNR的值也是随之增高
结论：更丰富的纹理有助于获取更加准确的退化信息，进而提升SR性能
11:40
三种不同的退化上与已有的方法对比
RCAN是专门针对双三次退化的，取得最高性能
12:44
在各项异性高斯模糊和噪声的退化下与已有方法对比
13:29
真实退化可视化结果对比
