用于盲图像超分辨率的深度学习技术：高倍率多领域视角评估

尽管近期针对图像超分辨率（SR）已提出若干解决方案和实验，并受深度学习（DL）技术推动，但它们通常未设计高放大倍率的评估，仅限于2倍或4倍。此外，数据集一般为基准集，并未真正涵盖显著的领域多样性以恰当评估这些技术。同样值得注意的是，盲SR对真实场景颇具吸引力，因其基于退化过程未知的理念，因此该语境下的技术基本依赖于低分辨率（LR）图像。在本文中，我们提出了一项高倍率（8倍）受控实验，评估了五种面向盲图像SR的近期DL技术：自适应伪增强（APA）、具有空间变化退化的盲图像SR（BlindSR）、深度交替网络（DAN）、FastGAN和混合专家超分辨率（MoESR）。我们考虑了来自五个更广泛领域的14个小数据集：航空、动物、植物、医学和卫星。我们评估的另一区别特征在于，部分DL方法为单图像SR设计，而其他则不是。我们选取了两个无参考指标，即经典的自然图像质量评估器（NIQE）和近期基于Transformer的多维注意力网络无参考图像质量评估（MANIQA）分数，以评估这些技术。总体而言，MoESR可视为最佳方案，尽管所有技术生成的高分辨率图像的感知质量仍有待提升。支持代码：https://github.com/vsantjr/DL_BlindSR。数据集：https://www.kaggle.com/datasets/valdivinosantiago/dl-blindsr-datasets。