Abstract
尽管现有的图像深度学习超分辨率(SR)方法在标准数据集上取得了有希望的性能,但是当低分辨率(LR)输入的退化未在训练中覆盖时,它们仍然会遭受严重的性能下降。
为了解决这个问题,我们提出了一种创新的无监督方法:通过退化自适应回归学习校正滤波器,用于盲目单图像超分辨率。
我们的方法高度受到广义采样理论的启发,旨在增强现有SR方法在已知退化上的训练强度,并适应未知的复杂退化,以产生改进的结果。
具体而言,我们首先通过GAN以无监督的方式学习内部分布,对每个局部图像区域进行退化估计。
我们不是假设退化在整个图像上空间不变,而是通过一种新的线性组合像素退化自适应回归模块(DARM)以空间变化的方式学习校正滤波器,将退化调整为已知退化。
DARM 轻量且易于在多个预定义滤波器基础上进行优化。在合成和真实世界数据集上的大量实验验证了我们方法的有效性,无论是定性还是定量。
-
Previous
【ICCV 2023】DCD-Net:Iterative Denoiser and Noise Estimator for Self-Supervised Image Denoising -
Next
【深度学习】LVM:Sequential Modeling Enables Scalable Learning for Large Vision Models