废话:个人认为是目前超分领域比较有实际意义的一项工作,很有亮点,对论文的理解还比较浅,需要多加理解及知识补充,欢迎讨论!
论文:https://arxiv.org/pdf/2003.07018.pdf
代码:https://github.com/guoyongcs/DRN
出发点
目前学习从LR到HR的映射关系的超分网络存在两个问题(1)超分是一个“病态”问题,一张LR图像可以对应多个HR图像,因此可能的映射关系的空间巨大,找到正确的对应关系很困难(2)真实场景下很难获取成对的LR-HR数据,直接给出一张LR图像的话并不清楚他是如何退化而来的,而且真实LR图像和合成图像的分布也不会一致,现在的方法无法适应具体情况。
创新点
为解决上述两个问题,作者提出了对偶回归方法。通过在LR数据上引入附加约束来减少可能的映射关系的空间:具体表现为除了学习LR到HR的原始映射,还额外学习从HR到LR的对偶映射,形成了一个LR到HR到LR的闭环。这样的对偶过程也并不依赖HR图像,所以可以解决真实数据的超分问题!(很有意义)
方法
-
paired data成对数据
记 x ∈ X x\in\mathcal{X} x∈X为LR图像, y ∈ Y y\in\mathcal{Y} y∈