通过对抗鲁棒性实现泛化的真实世界超分辨率

真实世界超分辨率（SR）传统上是通过首先学习一个类似于低分辨率图像中噪声和损坏伪影的特定退化模型来解决的。因此，当前的方法缺乏泛化能力，在测试未见过的损坏类型时会失去准确性。与传统方案不同，我们提出了鲁棒超分辨率（RSR），这是一种利用对抗攻击的泛化能力来解决真实世界 SR 问题的方法。我们的新框架在真实世界 SR 方法的开发中提出了范式转变。我们没有学习特定于数据集的退化，而是采用对抗攻击来创建针对模型弱点的困难样本。随后，我们在训练期间使用这些对抗样本以提高模型处理噪声输入的能力。我们在合成和真实世界图像上进行了广泛的实验，并凭经验证明我们的 RSR 方法在无需针对特定噪声先验进行重新训练的情况下，即可在各数据集间良好泛化。通过使用单一鲁棒模型，我们在真实世界基准上优于最先进的专用方法。