Blind Super-Resolution With Iterative Kernel Correction论文阅读笔记

文章发表于CVPR 2019
论文地址：http://arxiv.org/abs/1904.03377

目前绝大部分图像超分辨率算法，假设图像退化（LR图像获得）过程中的下采样模糊核是预先定义或已知的，如bicubic下采样，这类算法在应用于实际应用时，如果模糊核是复杂或未知时，图像超分辨效果会大大降低。文中，提出了Iterative Kernel Correction（IKC）迭代核校正算法用于盲图像超分辨率问题的模糊核估计，此外，作者还提出了一有效的图像超分辨网络结构SFTMD，使用spatial feature transform (SFT）空间特征转换层来处理不同模糊核。

Blind Super-Resolution：盲超分辨，假设图像的退化核函数是未知的。其问题公式化定义如下：

图像超分辨问题，在模糊核不匹配时，SR效果会造成过于模糊或产生振铃效应的后果，只有在模糊核匹配时，才会有较好的图像超分辨效果，如下图，右上部分过模糊，左下部分振铃效应，对角线上是较好的图像超分辨效果。

为了正确估计出模糊核，提出校正函数C

作者采用逐步校正模糊核的方式去尽可能去逼近真实核函数，因为一次校正方式可能会产生不充分校正或校正过度的模糊核。

Overall framework

Iterative Kernel Correction（IKC）框架由3部分组成，SR网络模型，预测器和校正器。算法流程如下：

SR网络的选取：作者与之前的多模糊核SR工作SRMD工作比较，认为SRMD工作存在如下问题：1.the kernel maps没有包涵图像的全部信息。2.模糊核信息尽在网络的首层考虑到，网络的深层部分并没有使用到模糊核信息。

为解决上述问题，作者采用在SRResNet网络中增加spatial feature transform (SFT) 层的方式。

迭代校正模糊核过程中的中间SR效果