研读“Conditional Meta-Network for Blind Super-Resolution with Multiple Degradations“

论文：https://arxiv.org/pdf/2104.03926.pdf
代码：https://github.com/guanghaoyin/CMDSR

这是浙江大学以及字节跳动AI Lab合作发表于2022 IEEE TIP(中科院SCI一区)，针对图像盲超分的一篇工作。

Abstract

尽管单图像超分方法在单个退化方式下取得了不错的效果，在具有多样退化影响的真实场景下表现并不好。现有的一些针对多样退化的盲与非盲方法在训练与测试数据存在分布偏移时效果显著降低。因此，本文首次提出条件元网络框架(CMDSR)，帮助SR框架去学习适应输入分布的变化。
用提出的ConditionNet在任务水平上提取退化先验，提取到的退化先验用于调整SR网络的参数。具体来说，ConditionNet从支持集(来自相同任务的一系列图像块)中学习退化先验，然后，SR网络哦根据条件特征快速调整参数。并且，为了更好的提取退化先验，提出任务对比损失去减少任务内的距离、增加任务间的距离。在没有预定义退化图的情况下，CMDSR可通过单个参数更新来取得可观的SR结果。

Proposed Method

提出的框架由ConditionNet与BaseNet组成。
ConditionNet