Flow-based Kernel Prior with Application to Blind Super-Resolution

该论文的创新点在于FKP，相当于隐式地建模模糊核的先验。Normalizing flows的思想是将复杂分布空间映射到简单分布，通常是正态分布。这种思想的本质在于通过映射到简单空间，约束了核的模样。这与VAE、diffusion的原理是一致的。

由于超分的核通常类似二维高斯函数（图像是高斯函数与每个像素正态分布采样是不同的概念），随机采样二维高斯函数的参数生成一堆核作为FKP的训练样本，最优化方法是极大似然估计，损失函数是$p_k(k)$，模糊核的分布$p_k(k)$是复杂分布，没有数学表达式，通过变量变换建立与正态分布的关系，正态分布有数学表达式。学习出网络的参数$\theta$，通过逆向映射，从正态分布映射到模糊核，就有了核的模样，这是先验。

有了核的先验，在DIP的框架中自监督就好了。

这部分有误，39是SelfDeblur，Double-DIP与blur kernel没有关系。