面向真实世界盲超分辨率的端到端交替优化
计算机视觉与模式识别
2023-08-21 v1 图像与视频处理
摘要
盲超分辨率(SR)通常涉及两个子问题:1)估计给定低分辨率(LR)图像的退化;2)将LR图像超分辨率重建为其高分辨率(HR)对应图像。由于退化过程中的信息丢失,这两个问题都是病态的。大多数先前的方法试图独立解决这两个问题,但常常陷入困境:良好的超分辨率HR结果需要准确的退化估计,然而在没有原始HR信息帮助的情况下,这很难获得。为解决此问题,我们不再独立考虑这两个问题,而是采用交替优化算法,可在单一模型中估计退化并恢复SR图像。具体而言,我们设计两个卷积神经模块,即Restorer与Estimator。Restorer基于估计的退化恢复SR图像,Estimator借助恢复出的SR图像估计退化。我们反复交替这两个模块并将该过程展开,形成端到端可训练网络。如此,Restorer与Estimator均可从彼此的中间结果中获益,使各子问题更易求解。此外,Restorer与Estimator以端到端方式优化,因而能更容忍彼此的估计偏差并更好协作,从而获得更鲁棒、准确的最终结果。在合成数据集与真实世界图像上的大量实验表明,所提方法大幅优于当前最优(state-of-the-art, SOTA)方法,并生成更具视觉满意度的结果。代码发布于https://github.com/greatlog/RealDAN.git。
引用
@article{arxiv.2308.08816,
title = {End-to-end Alternating Optimization for Real-World Blind Super Resolution},
author = {Zhengxiong Luo and Yan Huang and Shang Li and Liang Wang and Tieniu Tan},
journal= {arXiv preprint arXiv:2308.08816},
year = {2023}
}
备注
Extension of our previous NeurIPS paper. Accepted to IJCV