从失真关系视角审视小样本真实图像超分辨率

在现实世界中收集大量的失真/清晰图像对并非易事，这严重限制了这些基于监督学习的方法在真实世界图像超分辨率 (RealSR) 上的实际应用。先前的工作通常通过利用无监督学习技术来缓解对配对训练样本的依赖。然而，由于缺乏清晰图像的监督，这些方法通常存在纹理合成不理想的问题。为了克服这个问题，我们首次深入审视了 RealSR 中一个尚未充分探索的方向，即小样本真实世界图像超分辨率，旨在利用少量失真/清晰图像对来解决具有挑战性的 RealSR 问题。在这个全新的场景下，我们提出了失真关系引导的迁移学习 (DRTL)，通过将丰富的恢复知识从辅助失真（即合成失真）迁移到目标 RealSR 上，来实现小样本 RealSR。具体来说，DRTL 构建了一个知识图谱来捕捉辅助失真与目标失真（即 RealSR 中的真实失真）之间的失真关系。基于这种失真关系，DRTL 采用梯度重加权策略来引导辅助失真和目标失真之间的知识迁移过程。通过这种方式，DRTL 可以快速从合成失真中学习到与目标失真最相关的知识。我们使用两种常用的迁移学习范式（包括预训练和元学习流程）实例化 DRTL，以实现失真关系感知的小样本 RealSR。在多个基准数据集上的大量实验和彻底的消融研究证明了我们 DRTL 的有效性。