自适应Dropout：在各层释放Dropout以实现可泛化的图像超分辨率重建

盲超分辨率重建（blind SR）旨在增强模型在未知退化下的泛化能力，但仍面临严重的过拟合问题。一些受Dropout启发的方法通过正则化特征来增强泛化，在盲SR中已展现出有前景的结果。然而，这些方法仅关注最终层之前的特征正则化，而忽略了中间层特征对泛化的需求。若不对中间层特征进行显式正则化，盲SR网络难以获得良好泛化的特征表示。然而，关键挑战在于直接对中间层应用Dropout会导致显著的性能下降，我们将其归因于由此引入的训练-测试不一致性和跨层不一致性。因此，我们提出自适应Dropout，一种用于盲SR模型的新正则化方法，它缓解了不一致性并促进了Dropout在网络中间层的应用。具体而言，针对训练-测试不一致性，我们重新设计了Dropout的形式并自适应地整合Dropout前后的特征。针对不同层之间泛化需求的不一致性，我们创新性地设计了逐层退火的自适应训练策略以增强特征传播。实验结果表明，我们的方法在合成和真实世界基准数据集上均优于所有过去的正则化方法，在其他图像恢复任务中也高度有效。代码可在\href{https://github.com/xuhang07/Adpative-Dropout}{https://github.com/xuhang07/Adpative-Dropout}获取。