Learning a Single Convolutional Super-Resolution Network for Multiple Degradations论文阅读
IRCNN这篇论文我感觉对后面做超分+去噪+去模糊三合一这个思路是一种启发,SRMD应该是一篇受了启发后的成果。
这篇文章的成果在NTIRE2018上参加了比赛,考虑到它本身速度很快,层数比较少,虽然成绩不是最好的,但效果我觉得也很不错了。
理论+实现
超分+去噪+去模糊三合一,退化模型就有了三种参数:
y = ( x ⊗ k ) ↓ s + n y=(x \otimes k) \downarrow_{s}+n y=(x⊗k)↓s+n
其中k描述的是模糊核, ↓ s \downarrow_{s} ↓s描述的是下采样,n描述的是噪声,相比于IRCNN的分析+设计网络,SRMD就比较粗暴了,直接显式地将k,s,n都作为数据加入网络进行训练(不过事实上只是针对k进行了训练)训练)。
当然了,直接往里硬塞是不行的,模糊核一般都很小(论文里用的15x15和7x7),图片就大多了,所以论文里做了一个挺有意思的trick。
它首先把模糊核拉直(一维化),然后做一个PCA(只留下