内容导读

• 文章针对盲超分，提出了一种无监督的降质表示学习方案，而无需进行显式的降质估计。
• 具体而言，通过学习抽象表示，去区分表示空间中的各种退化，而非像素空间中的显式估计。
• 文章提出了一个降质/退化感知（Degradation-Aware）网络——DASR。

1、论文来源

• 2021 CVPR，一作是国防科技大学在读博士生 王龙光
• 论文下载链接
• 源码下载

2、摘要

2.1 研究基本点

• 现有的SR方法大多假设降质模型是固定且是已知的，比如bicubic、加性高斯白噪声或已知的模糊kernel等，但是当实际的将至模型不同于假设的模型时，此时网络结构的性能与理想的单一降质模型相去甚远。
  • 因为真实的应用场景中降质模型比假设的模型更加复杂，常常是未知的。
  • 也就是说在真实场景中由于成像过程中存在各种影响因素，导致图像常常是基于多种降质模型（下采样、模糊、噪声）形成的。
• 因此，研究如何令模型具备处理多重降质模型的至关重要。
• 然而，目前的降质估计模型通常较为耗时，同时由于存在较大的估计误差，可能会导致最终的SR结果不理想。

2.2 解决方案

• 文章针对盲超分，提出