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 ) p_k(k) pk(k),模糊核的分布 p k ( k ) p_k(k) pk(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 θ \theta θ,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。