基于流的核先验及其在盲超分辨率中的应用
计算机视觉与模式识别
2021-03-31 v1 图像与视频处理
摘要
核估计通常是盲图像超分辨率（SR）的关键问题之一。近期，Double-DIP提出通过网络架构先验对核建模，而KernelGAN采用深度线性网络与若干正则化损失来约束核空间。然而，它们未能充分利用各向异性高斯核足以用于图像SR这一通用SR核假设。为解决此问题，本文提出一种基于归一化流的核先验（FKP）用于核建模。通过学习各向异性高斯核分布与易处理潜分布之间的可逆映射，FKP可轻松替换Double-DIP与KernelGAN中的核建模模块。具体而言，FKP在潜空间而非网络参数空间优化核，这使其能生成合理的核初始化、遍历所学核流形并提升优化稳定性。在合成与真实世界图像上的大量实验表明，所提FKP能以更少的参数量、运行时间与内存占用显著提升核估计精度，取得最先进（SOTA）的盲SR结果。
引用
@article{arxiv.2103.15977,
title = {Flow-based Kernel Prior with Application to Blind Super-Resolution},
author = {Jingyun Liang and Kai Zhang and Shuhang Gu and Luc Van Gool and Radu Timofte},
journal= {arXiv preprint arXiv:2103.15977},
year = {2021}
}
备注
Accepted by CVPR2021. Code: https://github.com/JingyunLiang/FKP