过渡学习：探索退化过渡态的盲超分辨率方法
计算机视觉与模式识别
2022-01-03 v2
摘要
现有盲超分辨率（SR）方法极度依赖退化先验的迭代估计或从零开始优化模型，通常耗时且效果欠佳，因为退化估计从盲初始化出发且缺乏可解释的退化先验。为此，本文提出一种用于盲 SR 的过渡学习方法，采用端到端网络且在推理中无任何额外迭代，并探索了对未知退化的有效表示。首先，我们分析并论证了退化具有过渡性，将其作为可解释先验信息间接推断未知退化模型，包括广泛使用的加性与卷积退化。随后我们提出一种新颖的盲超分辨率过渡学习方法（TLSR），通过自适应推断过渡变换函数来解决未知退化，推理中无任何迭代操作。具体而言，端到端 TLSR 网络由过渡度（DoT）估计网络、同质特征提取网络和过渡学习模块组成。在盲 SR 任务上的定量与定性评估表明，所提 TLSR 相较于最先进的盲 SR 方法取得了更优性能且复杂度更低。代码见 github.com/YuanfeiHuang/TLSR。
引用
@article{arxiv.2103.15290,
title = {Transitional Learning: Exploring the Transition States of Degradation for Blind Super-resolution},
author = {Yuanfei Huang and Jie Li and Yanting Hu and Xinbo Gao and Hua Huang},
journal= {arXiv preprint arXiv:2103.15290},
year = {2022}
}
备注
16 pages, submitted to IEEE Transactions, code is available at github.com/YuanfeiHuang/TLSR