最近看过的一些论文

Learning a Single Convolutional Super-Resolution Network for  Multiple Degradations，即SRMD,CVPR2018

本篇文章是在已知退化过程的模糊核的情况下，将模糊核k拉直后，经过PCA降维后，和LR图像一起，输入网络进行训练的。

IKC： Blind Super-Resolution With Iterative Kernel Correction CVPR2019

采用SFTGAN中的设计，设计了一个预测核网络、一个矫正核网络对核进行估计，然后将核与LR图像输入各自的通道进行运算。真的特别创新。

这两篇让我想到了 Correction Filter for Single Image Super-Resolution（CVPR2021)这一篇。在已知降采样核的情况下，直接使用经过一系列傅里叶变换（反）来得到将LR图像转换为Bicubic降采样的核，然后输入Bicubic训练的网络得到超分图像。

 

Recovering Realistic Texture in Image Super-resolution by Deep Spatial Feature Transform （CVPR2018)

这一篇的思路就是各自语义类别的图像用各自的超分，但是他使用分割网络的中间层，然后来得到Network Conditioning中的γ和β。

Meta-SR: A Magnifification-Arbitrary Network for Super-Resolution （CVPR2019）

一个模型训练多个尺度，而且是任意尺度。他的上采样肯定是不能用PixelShuffle层了，他设计了一个精妙的卷积操作来上采样成任意大小。

 

Meta-Transfer Learning for Zero-Shot Super-Resolution （MZSR） CVPR2020

这个融合了ZSSR，又采用Meta learning来学习不同降采样核下的图像超分。