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