从通用到特定：面向盲超分辨率的在线更新方法

大多数基于深度学习的超分辨率（SR）方法并非图像特定的：1）它们在由预定义退化（如双三次下采样）合成的样本上训练，忽视训练与测试数据间的域差距。2）测试时，它们以同一组模型权重对所有图像进行超分辨率重建，忽略退化的多样性。因此，当测试图像的退化未知且多样时（即盲 SR 情形），以往多数方法可能出现性能下降。为解决这些问题，我们提出一种在线 SR（ONSR）方法。它不依赖预定义退化，并允许模型权重根据测试图像的退化进行更新。具体而言，ONSR 由内部分支（IB）与外部分支（EB）组成。IB 可学习给定测试低分辨率图像的特定退化，EB 可学习对由所学退化降解的图像进行超分辨率重建。由此，ONSR 能为每张测试图像定制特定模型，从而对各种退化更具鲁棒性。在合成与真实世界图像上的大量实验表明，ONSR 能生成视觉上更优的 SR 结果，并在盲 SR 中取得当前最优性能。