Abstract

与传统的基于模型的方法相比，基于学习的单图像超分辨率（SISR）方法持续表现出更好地有效性和效率，这主要是由于端到端训练。

然而，与基于模型的方法不同，基于模型的方法可以在统一的MAP（最大后验）框架工作下处理具有不同尺度因子的SISR问题、模糊内核和噪声水平，基于学习的方法通常缺乏这种灵活性。

为了解决这个问题，这篇文章提出了一个端到端可训练的展开网络，该网络同时利用了基于学习的方法和基于模型的方法。

具体而言，通过 HQS 算法展开 MAP 推理，可以获得由交替求解数据子问题和先验子问题组成的固定数量的迭代。

然后，这两个子问题可以通过神经模块解决，从而形成一个端到端可训练的迭代网络。

因此，该网络继承了其基于模型的方法的灵活性，可以通过单个模型超级解决不同尺度因素的模糊、嘈杂的图像，同时保持基于学习的方法的优势。

广泛的实验表明，所提出的深度展开网络在灵活性、有效性和泛化性方面具有优势。

Conclusion

这篇文章专注于经典的SISR退化模型，并提出了一个深度展开超分辨率网络。

受传统模型方法不断优化的启发，作者设计了一个端到端训练能力的深度网络，该网络集成了基于模型的方法的灵活性和基于学习的方法的优势。

该网络的主要新颖之处在于，它可以通过单个模型处理经典退化模型。

具体而言，所提出的网络由三个可解释模块组成，包括使 HR 估计更清晰的数据模块、使 HR 估计更干净的先验模块，以及控制两个模块输出的超参数模块。

因此，所提方法可以对解决方案施加退化约束和先验约束。

广泛的实验结果表明，该方法用于超解各种退化的LR图像具有灵活性、有效性和通用性。