![82cc8769a65176adfafafda5d772985d.png](https://i-blog.csdnimg.cn/blog_migrate/2eed785ea71bc8a9bcc5a285dcb2e426.jpeg)
Learning a Single Convolutional Super-Resolution Network for Multiple Degradations(2018 CVPR)
摘要:在现实中真实的下采样过程不完全遵循双三次下采样的过程,因此当现实降质过程不符合我们在训练超分辨网络的降质过程就会显著降低网络的重构表现。该文章的作者设计了一个具有维度拉伸策略的通用CNN框架,该框架可以将模糊内核和噪声级别作为网络的输入。使得网络在不同的退化过程中取得良好的效果,文章还指出双三次退化忽略了在场景的实用性。
内容:单帧超分辨网络意在通过网络学习低分辨率图像和高分辨率图像之间的映射关系,传统的退化过程如下:
![952ac7928c4b2fd050b28772c799a8f4.png](https://i-blog.csdnimg.cn/blog_migrate/0f52a72f9d66c9af2a041258a02c0cd7.jpeg)
其中k代表模糊核,而s代表网络的下采样倍数,n代表降质过程中添加的高斯白噪声。论文指出他们主要有如下三个贡献:
模糊核:区别于降噪需要选用很多复杂的模糊核(如运动模糊核),SRMD超分辨网络通常是选用各向同性的有标准