基于上次对模糊核一个理解,去查阅了一篇2013的论文Nonparametric Blind Super-Resolution,
对于超分辨来说,模型如上式,其中x为大小为n1×n2像素的HR图像,令y为其对应的大小为(n1 / s)×(n2 / s)的LR图像,k表示模糊核(低通滤波器),↓表示以比例因子为s的下采样,n为噪声。而我们要做的就是从y中恢复x,而重构约束可以表示为y≈k*x↓^s,因此式中的k(模糊核的准确性起到至关重要的作用)如何来得到(或者估计出一个准确的模糊核,而不是简单的认为是双三次插值,或是高斯后的插值)是一个关键性的问题。
创新点:指出将PSF作为模糊核是错误的,提出了一种利用相似块估计高分辨率图与低 分辨率图像之间模糊核的方法。
如图所示,是利用不同规模的补丁重复进行内核恢复的示意图。该算法通过两种方法去得到kenerl,一个是内部,另一个是外部数据集,在于默认的内核比较中,优势明显。
这是算法的流程。基于这个算法得到的kenerl,插入到现有的SR网络结构中,结果得到一定的优化。