罗正雄：基于展开交替优化的盲超分算法DAN

退化表达式为：
在这里插入图片描述
盲超分就是已知y，求x

这个求解过程可以表示为如下最优化问题：求出使得以下表达式最小的k和x值

在这里插入图片描述

盲超分存在的挑战

先验信息：在以前的算法中，一般通过概率论的方法进行建模，来从大数据集提取出分布规律。但现在可以直接使用深度神经网络训练，就能直接学习到这种分布规律。CNN本身就有让输出图像尽可能平滑的特点，把这个作为先验，而最早也有一篇论文提到，要让图像总体的方差越小，图像越平滑，把这个条件作为先验

超分问题分为3类：

在这里插入图片描述

第一种是单一已知退化核，常见的是BI、BD

在这里插入图片描述

这种输入输出比较固定的场景，就比较适合用神经网络来做
在这里插入图片描述
大家都在优化网络结构，而问题在于，很多场景下，并不是采用这种单一的bicubic退化（除非人为采用固定算法退化后进行传输，在目的地再进行SR）

第二种是多种已知退化核，也就是模型要求输入退化后的LR图像，以及LR图像对应的模糊核k

在这里插入图片描述

第三种是多种未知的模糊核，模型只要求输入退化后的LR图像。在第二种方法的基础上，我们求解第三种的问题场景就可以分为两步：先使用LR估计模糊核，然后使用LR和模糊核重建SR图像

在这里插入图片描述

而两阶段的方法会导致两个问题：

在这里插入图片描述
于是将两个问题同步求解

在这里插入图片描述

在这里插入图片描述

PCA降维：由于模糊核周围很多像素点都是0，而且会有一些中心对称（各向同性）或轴对称（各向异性）的特点，所以包含的信息并没有很多，我们可以估计降维后的结果，降低计算量
参数共享：代码中也只有Estimator和Restorer两个对象，在最后监督即可

Estimator和Restorer需要对输入敏感，否则每次迭代不同的输入可能生成同样的结果，这就无法迭代优化，于是作者提出了条件残差模块（CRB）
在这里插入图片描述

这个CRB做的就是对 $f_{cond}$ 敏感，而这个条件特征对于Estimator就是中间的模糊核，对于Restorer就是中间的SR结果

下面是在各向同性高斯退化数据集（IKC使用）上的结果
在这里插入图片描述

但真实数据集可能不满足高斯核退化，下面是KernelGAN使用的数据集，使用随机的模糊核（非高斯）退化

在这里插入图片描述

各向同性高斯模糊核sigma对模糊核估计精度的影响，模糊核越大，模糊的区域越大，重建越难

在这里插入图片描述

如果拿到GT kernel进行恢复，也无法提升多少，这也就说明，模型的效果好，并不是得益于模糊核估计的准确，而得益于端到端的结构，即使kernel存在误差，也能得到较好的恢复效果
在这里插入图片描述

确定循环迭代的次数
在这里插入图片描述

网络到第4次迭代时，就能达到比较好的结果了，再次增加次数，也无法得到好的提升

未来超分，去噪，去模糊等算法可能会融合，才能真正应用

相关阅读:
Go和Java实现命令模式
.NET Emit 入门教程：第五部分：动态生成方法（MethodBuilder 与 DynamicMethod）
学习笔记--强化学习（1）
Postman中的Pre-request Scrip详解
观影笔记｜独行月球
Linux中常见配置文件修改(ifcfg-ens33、hosts、profile、rc.local等)
暑期算法打卡----第二天
nohup command＞/dev/null 2＞&1 含义详解
题型分类汇总
RTKLIB算法优化之北斗伪距多路径代码

原文地址：https://blog.csdn.net/qq_42500831/article/details/127900296