Metric Learning based Interactive Modulation for Real-World Super-Resolution
abstract:
提出一个度量学习基于交互调制来实现Real-world、就是尽可能模拟现实生活中的降化样式
用一个度量学习 方法给真实世界的图片(基本上退化是不可量化的)打分0-1以一种无监督的方式,然后通过这个叫锚点策略的,来调节vector根据这个分数。
现有的超分和它的方法区别,主要是降化过程和类型的区分
相关工作:
2.1讲了最近的超分,主要是blind SR和一些real-world sr的尝试,考虑的模拟真实退化简单,所以恢复效果取决于降化表征的准确性与否、
这个blind SR 和 none-blind SR的区别:
none-blind SR:就是退化核是自己确定的一个,就是最常见的,假设假定的一个退化模型,HR到LR然后用来train,然后用这个网络去inference。
blind sr:看了一篇文章,感觉 就是不用这个HR到LR的过程就是。但是有的文章,是通过学习我来学习一个比较接近真实世界的退化过程,然后我再来HR-LR,感觉这个更像是none-blind sr
改进版而已。
2.2 Interactive Modulation for Image Restoration
这个介绍好水。(这个交互调制真不知道是啥)
2.3 Metric Learning
这篇文章用度量学习用来预测降化水平以一种无监督方式
Methodology:
3.1 Overview:
由三个模块组成:a base network, a condition network, and an unsupervised degradation estimation module。
这个base network就是基本的超分backbone,是esrgan 即gan网路的。
基本流程就是:一个LR用无监督降化模块,得到分数,进一步train调节网络,然后调节网络的输出和lr一起作为base network的输入
3.2 Unsupervised Degradation Estimation Module (UDEM)
它先把噪声和模糊分为两大类
Module architecture:
构建两个度量空间,分别噪声和模糊两大类:
度量学习的基本流程:用HR输入 然后经历复杂高阶的降化,训练得到两组,然后计算分数,然后再用锚点策略
Base network:
是一个gan 网络
The generator G accepts the input image and outputs the restored result, while the discriminator D aims to discriminate the restored result and the ground truth
用的是类似ESRGAN网络的generator,这个discriminator是用的real-esrgan中的。
Condition Network
Experiment:
评价:
后面就是一些标价指标衡量