Unified Dynamic Convolutional Network for Super-Resolution with Variational Degradations 论文解读

论文地址：https://arxiv.org/abs/2004.06965

总述：在单图像超分领域，现如今研究者只考虑某一种单一的退化过程(如双线性下采样)，或者是考虑多种退化过程，以此来更好地模拟现实世界的退化情况。然而，大部分工作都是以固定的方式来组合退化过程，或者为不同的退化类型训练神经网路。更可取的应该是训练一个网络来适应更加宽范围和多种类型的退化过程。因此，本文提出了一种适用于可变降质类型的通用图像超分方法，该方法能够适应inter-image(cross-image variations)和intra-image(spatial variations)多种退化类型。此外，作者嵌入了动态卷积，相比于常规卷积这更能解决多种退化类型。

介绍

现如今单图像超分这一课题得到了广泛的研究。超分辨率的任务就是从低分辨率的图像恢复成高分辨率图像并且能够弥补退化过程中丢失的细节和纹理信息。目前，已有的超分方法均是考虑单一的退化过程(如双线性下采样)，而这种方法并不能很好的反映真实世界的退化过程；此外，还有一些研究者致力于研究基于多降质的单图像超分方法，但均是根据不同的退化模型训练神经网络，本文在前人的研究基础上，提出了一种通用的多降质超分方法，能有效解决图像内和图像间的多种退化类型。此外，作者发现运用动态卷积，能够更好地解决多种退化的问题。

上图展示了不