面向盲超分辨率的端到端交替优化
摘要
先前的方法将盲超分辨率(SR)问题分解为两个顺序步骤：\textit{i}) 从给定的低分辨率(LR)图像估计模糊核，以及 \textit{ii}) 基于估计的核恢复 SR 图像。这种两步方案涉及两个独立训练的模型，它们彼此可能并不十分兼容。第一步的微小估计误差可能导致第二步的严重性能下降。而另一方面，第一步只能利用来自 LR 图像的有限信息，这使得预测高度准确的模糊核十分困难。针对这些问题，我们不再分别考虑这两个步骤，而是采用一种交替优化算法，该算法可在单一模型中估计模糊核并恢复 SR 图像。具体而言，我们设计了两个卷积神经模块，即 \textit{Restorer} 和 \textit{Estimator}。\textit{Restorer} 基于预测的核恢复 SR 图像，而 \textit{Estimator} 借助恢复后的 SR 图像估计模糊核。我们反复交替这两个模块，并将该过程展开以形成一个端到端可训练的网络。通过这种方式，\textit{Estimator} 利用了来自 LR 和 SR 图像的信息，使得模糊核的估计更为容易。更重要的是，\textit{Restorer} 是使用由 \textit{Estimator} 估计的核而非真实核进行训练的，因此 \textit{Restorer} 对 \textit{Estimator} 的估计误差可能更具容忍度。在合成数据集和真实世界图像上的大量实验表明，我们的模型可以大幅优于最先进的方法，并以高得多的速度产生视觉上更优的结果。源代码可在 \url{https://github.com/greatlog/DAN.git} 获取。
引用
@article{arxiv.2105.06878,
title = {End-to-end Alternating Optimization for Blind Super Resolution},
author = {Zhengxiong Luo and Yan Huang and Shang Li and Liang Wang and Tieniu Tan},
journal= {arXiv preprint arXiv:2105.06878},
year = {2021}
}
备注
Submited to PAMI. arXiv admin note: substantial text overlap with arXiv:2010.02631