罗正雄：基于展开交替优化的盲超分算法DAN

SFFAI 90—超分辨率专题《罗正雄：基于展开交替优化的盲超分算法》

退化表达式为：

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

盲超分存在的挑战

• 病态：退化过程会损失很多的细节信息，这个过程是不可逆的
• 存在很多位置变量：k，x，HR先验信息

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：

第一种是单一已知退化核，常见的是BI、BD

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

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

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

而两阶段的方法会导致两个问题：

• 两个独立的模型不兼容，SR模型可能因为核估计模型的一点偏差，就对SR效果影响很大；
• 第一阶段估计模糊核，本身也是病态问题，只使用了LR图像，求解精度很有限

于是将两个问题同步求解

• Estimator：使用中间SR结果和LR求解k
• Restorer：使用中间核估计结果k和LR求解SR

• 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）

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

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

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

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

确定循环迭代的次数

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