面向单图像超分辨率的无监督退化学习

深度卷积神经网络(CNN)近期在单图像超分辨率(SR)上取得了显著性能。然而,现有基于 CNN 的方法使用人工合成的低分辨率(LR)与高分辨率(HR)图像对来训练网络,由于从 HR 到 LR 的退化远比人工设计的复杂,因而无法处理真实世界情形。为解决该问题,我们提出了一种由真实世界 LR 图像引导的双循环网络用于单图像超分辨率,其中利用双向结构一致性以无监督方式训练退化网络与 SR 重建网络。具体而言,我们提出一个退化网络,通过生成对抗网络对从 HR 到 LR 的真实世界退化过程建模,这些生成的逼真 LR 图像与真实世界 HR 图像配对用于训练 SR 重建网络,构成第一个循环。然后在第二个反向循环中,利用真实世界 LR 图像的一致性来进一步稳定 SR 重建与退化网络的训练。在合成与真实世界图像上的大量实验表明,所提算法优于当前最优的单图像 SR 方法。