【论文精读系列】Real-ESRGAN

论文标题：Real-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data

论文地址：https://arxiv.org/abs/2107.10833v2

作者代码：https://github.com/xinntao/Real-ESRGAN

---

原文概述

在单张图片超分辨率(Single Image Super-resolution)的问题中，许多方法都采用传统的 Bicubic 方法实现降采样，但是这与现实世界的降采样情况不同，太过单一。

盲超分辨率(Blind Super-resolution)旨在恢复未知且复杂的退化的低分辨率图像。根据其使用的降采样方式不同，可以分为显式建模(explicit modeling)和隐式建模(implicit modeling)。

• 显式建模：经典的退化模型由模糊、降采样、噪声和 JPEG 压缩组成。但是现实世界的降采样模型过于复杂，仅通过这几个方式的简单组合无法达到理想的效果。

• 隐式建模：依赖于学习数据分布和采用 GAN 来学习退化模型，但是这种方法受限于数据集，无法很好的泛化到数据集之外分布的图像。

在现实世界中，图像分辨率的退化通常是由多种不同的退化复杂组合而成的。

例如，当我们使用手机拍照时，照片可能会发生多种退化，比如相机模糊、传感器噪声、锐化伪影和 JPEG 压缩。然后，我们进行一些编辑，并上传到一个社交媒体程序，这将引入进一步的压缩并增加未知的噪声。当图像在互联网上被多次分享时，上述过程会变得更加复杂。

因此，作者将经典的一阶退化模型(“first-order” degradation model)拓展现实世界的高阶退化建模(“high-order” degradation modeling)，即利用多个重复的退化过程建模，每一个退化过程都是一个经典的退化模型。但是为了平衡简单性和有效性，作者在代码中实际采用的是二阶退化模型(“second-order” degradation model)。

但是因为采用了高阶退化模型，使得退化空间相比于 ESRGAN 来说大得多，训练也就更加具有挑战性。因此作者在 ESTGAN 的基础上做了两个改动：1）使用 U-Net 判别器替换 ESRGAN 中使用的 VGG 判别器；2）引入 spectral normalization 来使得训练更加稳定，并减少 artifacts。

综上所述，在这篇文章中作者做出了如下研究，1）提出使用高阶退化模型，并利用 sinc 滤波器来建模常见的振铃(ringing)和超调效应(overshoot artifacts)。2）采用了一些基本的修改(例如，带 spectral normalization 的 U-Net 判别器)来增加判别器的能力和训练稳定性。3）使用纯合成数据训练的 Real-ESRGAN 能够恢复大部分真实世界的图像，比以往的作品具有更好的视觉性能，在现实世界中更具有实用性。

经典退化模型(Classical Degradation Model)

其中，$y$ 表示原始图像，$k$ 表示模糊函数，${\downarrow }_r$ 表示下采样因子，$n$ 表示噪声, $[{]}_{JPEG}$表示将得到的结果使用 JPEG 方式压缩处理。

因此，整个式子的含义就是将一张高分辨率图像 $y$ 通过模糊处理之后进行下采样，然后添加噪声，最后通过 JPEG 压缩处理得到低分辨率图像 $x$。

高阶退化模型(High-order Degradation Model)

高阶退化模型是在一阶退化模型的基础上，重复多次得到，但是每一次退化过程中使用的参数都不尽相同。比如 Blur 这个操作可以选用多种核函数间的一个，每一个取得的概率不同。作者在代码中实际采用的是二阶退化模型。

网络结构

Generator：采用 ESRGAN 中的 Generator，即使用 Residual-in-residul Dense Block(RRDB)。

Discriminator：使用有 spectral normalization(SN) 的 U-Net。使用 SN 是为了稳定训练过程，并且使用 SN 有助于缓和 oversharp 和 artifacts。

训练方法

1）预训练一个以 PSNR 为目标的模型，并采用 L1 loss，得到 Real-ESRNet

2）用 Real-ESRNet 初始化 Real-ESRGAN 中的 Generator，然后训练 Real-ESRGAN，采用 L1 loss、perceptual loss 和 GAN loss 三种组合的 loss。

实验效果