基于元学习的盲超分辨率退化表示

大多数基于 CNN 的超分辨率（SR）方法假设退化已知（例如双三次）。当退化与其假设不同时，这些方法会出现严重的性能下降。因此，一些方法尝试用多种退化的复杂组合训练 SR 网络以覆盖真实退化空间。为适应多种未知退化，引入显式退化估计器实际上可促进 SR 性能。然而，先前的显式退化估计方法通常在真实模糊核监督下预测高斯模糊，且估计误差可能导致 SR 失败。因此，有必要设计一种能提取隐式判别性退化表示的方法。为此，我们提出一种基于元学习的区域退化感知 SR 网络（MRDA），包括元学习网络（MLN）、退化提取网络（DEN）和区域退化感知 SR 网络（RDAN）。为应对缺乏真实退化的情形，我们使用 MLN 在若干次迭代后快速适应特定复杂退化并提取隐式退化信息。随后，设计教师网络 MRDA$_{T}$ 以进一步利用 MLN 提取的退化信息进行 SR。然而，MLN 需要在成对的低分辨率（LR）与相应高分辨率（HR）图像上迭代，这在推理阶段不可用。因此，我们采用知识蒸馏（KD）使学生网络学会直接从 LR 图像中提取与教师相同的隐式退化表示（IDR）。