Learning a Single Convolutional Super-Resolution Network for Multiple Degradations论文阅读

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：

$y=(x\otimes k){\downarrow }_s+n$

其中k描述的是模糊核，${\downarrow }_s$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