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
x ^ = arg max x log p ( y ∣ x ) + log p ( x ) \hat{\mathbf{x}}=\arg \max _{\mathbf{x}} \log p(\mathbf{y} | \mathbf{x})+\log p(\mathbf{x}) x^=argmaxxlogp(y∣x)+logp(x)
到(这个结果中间用到了最小二乘法)
x k + 1 = ( H T H + μ I ) − 1 ( H T y + μ z k ) \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) xk+1=(HTH+μI)−1(HTy+μzk)
最后到(这个结果是与初始式子做了一个形式上的对比)
z k + 1 = Denoiser ( x k + 1 , λ / μ ) \mathbf{z}_{k+1}=\operatorname{Denoiser}\left(\mathbf{x}_{k+1}, \sqrt{\lambda / \mu}\right) zk+1=Denoiser(xk+1,λ/μ