一种用于无监督盲图超分辨率的动态核先验模型
图像与视频处理
2024-04-29 v2
摘要
深度学习方法在解决盲图超分辨率（Blind Super-Resolution, BSR）问题方面取得了显著进展。然而，大多数方法需要在标记数据集上进行监督预训练。本文提出一种无监督核估计模型，称为动态核先验（Dynamic Kernel Prior, DKP），以实现无监督且无需预训练的学习方法来解决 BSR问题。DKP能够自适应学习动态核先验，以实现实时核估计，从而实现卓越的高分辨率图像恢复性能。这通过在随机核分布上的马尔可夫链蒙特卡洛抽样过程实现。所学核先验被赋予以优化模糊核估计网络，涉及一种基于网络的 Langevin 动力学优化策略。这两种技术确保了核估计的准确性。DKP可以轻松替换现有方法中的核估计模型，如 Double-DIP 和 FKP-DIP，或添加到即插即用图像恢复模型中，如扩散模型。在本文中，我们将DKP模型与DIP和扩散模型集成，分别称为DIP-DKP和Diff-DKP，用于验证。 extensive simulations 在高斯和运动核场景下表明，所提出的DKP模型可显著提高核估计性能，同时保持相当的运行时间和内存使用，从而实现盲图超分辨率的前沿水平结果。代码可在 https://github.com/XYLGroup/DKP 获取。
引用
@article{arxiv.2404.15620,
title = {A Dynamic Kernel Prior Model for Unsupervised Blind Image Super-Resolution},
author = {Zhixiong Yang and Jingyuan Xia and Shengxi Li and Xinghua Huang and Shuanghui Zhang and Zhen Liu and Yaowen Fu and Yongxiang Liu},
journal= {arXiv preprint arXiv:2404.15620},
year = {2024}
}
备注
Accepted for publication in CVPR 2024