针对真实场景的增强型超分辨率训练通过模拟对齐实现

图像超分辨率方法已通过深度学习技术和充足的训练数据取得显著进展。然而，它们面临由于现实数据集中低分辨率 (LR) 和高分辨率 (HR) 对之间的内在错位所带来的挑战。本研究提出一种新型可插拔模块，旨在通过在训练期间将 LR 输入与 HR 图像对齐来缓解这些错位问题。具体而言，我们的方法通过模拟一个与 HR 对齐且保留原始 LR 样本退化特征的新型 LR 样本来实现对齐。该模块可无缝集成到任何 SR 模型中，增强其对错位的鲁棒性。重要的是，它可以在推理时轻松移除，因此不会在常规 SR 模型中引入任何参数。我们在合成和真实世界数据集上进行了全面评估，证明其在包括传统 CNN 和最新 Transformer 在内的多种 SR 模型上的有效性。源代码将公开发布于 https://github.com/omarAlezaby/Mimicked_Ali。