Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels(DPSR)论文阅读

Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels(DPSR)论文阅读

这篇论文做的是超分辨率与去噪一起完成的图像修复工作，在前人（IRCNN）的基础上加以改进。（当然了，毕竟都是同一批人的作品嘛）

这篇文章提出四个主要贡献：

1、提出了一个更接近实际的退化模型。

2、提出的方法可以处理任意的模糊核（不过没试过它能不能处理模糊核的线性组合）和除bicubic以外的downsampling（不过这点论文好像后面没说）。

3、可解释性好。

4、应对多种模糊（应该说是多种模糊核）不用重新训练。

我觉得，1是为了解方程而修改了假设，2、4是方程解出来的直接推论，而3是从IRCNN开始的改进。所以说1是最重要的，不过没什么可迁移性。

IRCNN提出了理论架构，从

$\hat{\mathbf{x}}=\arg {\max }_{\mathbf{x}}\log p(\mathbf{y}|\mathbf{x})+\log p(\mathbf{x})$

到（这个结果中间用到了最小二乘法）

${\mathbf{x}}_{k+1}={\left({\mathbf{H}}^T\mathbf{H}+\mu \mathbf{I}\right)}^{-1}\left({\mathbf{H}}^T\mathbf{y}+\mu {\mathbf{z}}_k\right)$

最后到（这个结果是与初始式子做了一个形式上的对比）

${\mathbf{z}}_{k+1}=\mathrm{Denoiser}({\mathbf{x}}_{k+1},\sqrt{\lambda /\mu }$