Blind Image Super-Resolution: A Survey and Beyond

本文主要是介绍Blind Image Super-Resolution: A Survey and Beyond，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

TPAMI2023
问题定义

• 未知图像的退化过程（和之前假定bicubic等一个固定且已知的退化过程相对比），由LR恢复HR；
• 退化来源（不同的图像采集设备，数字信号处理成可见图像的过程中图像处理算法引入的噪声，在图像储存和传输过程中引入的噪声和胶片腐蚀等）
• 方法分类：
  – 基于经典退化模型及其变体的显式建模；
  – 利用外部数据集的数据分布的隐式建模；

EXPLICIT DEGRADATION MODELLING

with external dataset

wo degradation estimation

• 由外部的模型来进行degradation estimation；
• SRMD(super resolution for mutiple degradations)输入LR和degradation map，degradation map是blur kernel被PCA编码为vector然后和噪声$\sigma$concate之后扩展到LR的尺寸，之后UDVD也采用了degradation map；
• DPSR不需要生成degradation map，而是通过最小化基于$y=(x{\downarrow }_s\otimes k)+n$的目标函数(分解为两个子问题，但是没看懂咋解的)，两个子问题分别是deblur, SR + denoising；
• USRNet也是map framework，也是两个子问题，但是所基于的退化建模是$y=(x\otimes k){\downarrow }_s+n$，两个子问题是SR + deblur, denoising
• 这类方法主要存在的问题是需要一个准确的模型来进行退化估计，模型的结果比较依赖于准确的估计；

with degradation estimation

• 将SR和degradation estimation统一到一个框架当中；
• IKC提出以迭代的方式进行核估计，首先一个预测网络来初始化kernel，之后一个corrector网络在输入（以当前kernel为条件的SR）的情况下输出kernel residual，之后修正后的kernel重复这个修正的过程；
• DAN提出对IKC的改进，叫corrector和SR网络统一训练，而不是像IKC一样分开单独训练；
• 上面的两种方法可以从domain adaptation的角度进行解释；
• 还有一些方法试图解决迭代耗时的问题；
• DRL-DASR使用无监督学习的方法来训练degradation encoder，获得的degradation representation供SR使用；
• KOALAnet使用dynamic kernel strategy

complex degradation modeling

• 经典的退化模型不能很好的涵盖现实的情况，一些工作采用更大的degradation空间；
• BSRGAN还是使用经典的退化算子，但是顺序是打乱的；
• Real-ESRGAN使用高阶的退化模型，也就是传统的退化模型重复多次，文章中阶数为2；

with internal statistics

• 基于的点是patches of a single image tend to recur within and across different scales of this image；
• 之前的方法：提出MAP framework来估计SR blur kernel，最佳的kernel k是最大化不同尺度的recuring patches的相似度的那个；
• gan-based: KernelGAN将相似度的最大化建模成数据分布；
• flow-based: FKP在latent space进行kernel的求解，而不是pixel space，更加efficiency；
• ZSSR和DGDML-SR自监督的进行训练；

IMPLICIT DEGRADATION MODELLING

• 假如有成对的HR-LR图片对数据集，现在的监督学习可以得到比较好的效果，但是有更加挑战的情况，有两个数据集，HR和不成对的LR，问题变为domain adaptation；
  
• CinCGAN包含两个cycle，LR-Cycle首先将LR转换到Bicubic LR domain（Clean LR），bicubic LR domain的数据认为是从HR下采样得到的，认为是没有噪声的，两个cycle使用的都是cycle gan，此时训练只能靠discriminator，不能靠成对数据的reconstruction loss，训练不稳定；
• b中的训练策略是将L2H和H2L统一到一个框架当中，其中L2H使用的是成对的数据，H2L使用的是不成对的数据；
• 上面的方法生成的LR和真实的LR可能会存在较大的差异，DASR将生成的LR和真实的LR都加入到SR模型的训练当中，使用domain distance weighted supervision来对生成的LR赋予不同的权重，权重基于LR discriminator；

dataset

这篇关于Blind Image Super-Resolution: A Survey and Beyond的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---