更好的“CMOS”生成更清晰图像：面向盲图像超分辨率的空变模糊估计学习
计算机视觉与模式识别
2023-04-10 v1
摘要
现有多数盲图像超分辨率（SR）方法假设模糊核是空间不变的。然而，真实应用中的模糊常因物体运动、失焦等呈空间变化，导致先进 SR 方法性能严重下降。为此，我们首先引入两个带失焦模糊的新数据集 NYUv2-BSR 与 Cityscapes-BSR，以支持空变模糊盲 SR 的进一步研究。基于这些数据集，我们设计了一种新颖的跨模态融合网络（CMOS），可同时估计模糊与语义，从而获得改进的 SR 结果。该网络包含特征分组交互注意力（GIA）模块，使两种模态更有效交互并避免不一致；因其结构通用性，GIA 亦可用于其他特征的交互。在上述数据集与真实图像上对比当前最优方法的定性与定量实验，证明了本方法的优越性，例如在 NYUv2-BSR 上相较 MANet 取得 PSNR/SSIM 提升 +1.91/+0.0048。
引用
@article{arxiv.2304.03542,
title = {Better "CMOS" Produces Clearer Images: Learning Space-Variant Blur Estimation for Blind Image Super-Resolution},
author = {Xuhai Chen and Jiangning Zhang and Chao Xu and Yabiao Wang and Chengjie Wang and Yong Liu},
journal= {arXiv preprint arXiv:2304.03542},
year = {2023}
}
备注
Accepted by CVPR 2023