（Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution）论文笔记

闭环问题：单图超分辨率的双回归网络

论文地址：Closed-loop matters: Dual regression networks for single image super-resolution

代码地址：https://github.com/guoyongcs/DRN

摘要：目前大多SR方法有两个局限。首先，SR是个不适定问题，HR对应得LR图像可能有多个。因此，SR的解空间是非常大的，很难寻找一个比较好的解。其次，HR和LR图像对在现实中不存在而且退化模型是未知的。更一般的情况是，现在的大多模型存在应用问题并且实际应用中效果也不好。为了解决这个问题，作者提出了一个双回归方案，通过引入一个额外的约束去限制LR数据来缩小解空间。此外，除了学习LR和HR之间的映射，还学习一个额外的映射去估计下采样核和重建低分辨率图像，这形成一个闭环去提供了额外的监督。更重要的是，双回归网络不依赖高分辨率图像，它是直接从LR图像进行学习。这种情况下，可以很简单的将模型应用到真实世界中。用成对的数据和真实数据实验证明了作者方法的优越性。

引言

SR问题的求解是非常难。为了提高模型得性能，一般得方式是提高模型的容量。比如EDSR,DBPN,RCAN。但是这些方法仍然存在解空间大的问题，导致没有产生锋利的边缘。因此，如何通过减少解空间的范围来提高模型的性能也变成研究重点。

 上图可以看到，作者提出的方法可以产生更加锋利的边缘信息。

第二，没有成对的训练数据很难获得SR模型。而且真实世界是不存在成对的样本对的。因此，训练好一个模型去解决现实问题是很重要的。

在这篇论文里，作者提出了一个新的双回归方案，形成了闭环去增强模型的性能。为了解决第一个问题，作者引入了一个额外的约束去限制解空间.理想情况下，如果从LR恢复HR是好的话，那么可以SR后的图像通过下采样也可以得到LR。基于此，作者作者估计下采样的核去限制解空间。   为了解决第二问题，作者让模型直接从LR图像学习

双回归训练方案。原始任务是用来学习SR，第二个任务是将SR后的图像投射回LR图像。

 

相关工作

监督学习

RCAN 

DBPN

无监督学习

基于Cycle-GAN ,提出CinCGAN模型。最近，很多盲超分方法被提出解决未知退化模型。

双学习  这种学习方法是同时学习两个相反的任务。

 后面的没看。目前这种学习方法还没接触到。目前主要还是以残差网络，密集网络网络为主。