LAM：使用局部归因图理解和可视化超分网络以及介绍一篇盲图像超分辨率重构文章

LAM：使用局部归因图理解和可视化超分网络

Interpreting Super-Resolution Networks with Local Attribution Maps (CVPR 2021)

School of Electrical and Information Engineering, The University of Sydney.
​
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences.

• 是不是只要加大感受野就能获得更好的性能呢？更大的感受野，或者多尺度的特征是否对于 SR 模型有效？

• 为什么 Attention 或者 Non-local 的操作可以帮助提升 SR 性能？

预测概率对输入I的梯度

采用预测概率对输入I的梯度作为归因图

使用积分梯度 (Integrated Gradients)来做归因

所谓归因，简单来说就是对于给定的输入图片I 和模型S ，我们想办法指出I 的哪些分量对模型的决策有重要影响，或者说对 I 的各个分量的重要性做个排序，用专业的话术来说那就是 "归因"。

• 假设输入的是I，还有一个基线图像I'，模型是S，假设是SR模型，表示是一种插值参数，则I'+(I-I')表示了从基线图片I'到原始输入图片I的变化过程

• 在LAM中，超分模型F再加上后面的检测器D就相当于了一个分类模型，输出 LR 图片的某个 patch 里面是否有特定的特征。就可以计算这个标量对于 LR 图片的积分梯度了，这也就是 LAM 的核心思想。

• 

• 

2、Degradation-Aware Self-Attention Based Transformer for Blind Image Super-Resolution（arxiv2023）

Immersive and Interactive Multimedia Lab， 
Nanjing University of Aeronautics and Astronautics, Nanjing

• MOCO学习一个退化特征

• 将这个退化特征用到了Swin transformer里面

• 不同之处就是把D应用到了每一个RSTB模块里面

• SwinIR

效果

• 消融

• 实验

• 可视化