SFTMD:Blind Super-Resolution With Iterative Kernel Correction
也叫做IKC
简要概括
\qquad
迭代模糊核的方法是从模型退化的角度来思考SISR问题,它假设LR是SR若干模糊核H退化后得到,所以论文中想通过对多个(多种)模糊核进行建模学习,使的SISR网络可以学习到这些模糊核对SR的影响,从而学习LR到SR的映射关系。
\qquad
论文中的网络结构分为三个部分,核估计结构(P),核矫正结构(C),主网络结构(SFTMD)
\qquad
论文采用迭代这三个部分的方式来找到最好的结果。
\qquad
其实从测试结果而言,SFTMD就已经得到很好结果了,没必要再迭代
论文方法阐述
\qquad
假设模糊核大小
k
k
k 为
l
×
l
l \times l
l×l,则核空间线性维度为
l
2
l^2
l2。为了节省计算量,我们使用PCA(主成份分析)进行降维,降维矩阵为
M
∈
R
b
×
l
2
M\in R^{b \times l^2}
M∈Rb×l2,这样得到
b
b
b 维。降为后的模糊核用
h
h
h 表示,
h
=
M
k
h=Mk
h=Mk,
h
∈
R
b
h\in R^b
h∈Rb。
步骤:
\qquad
1.初始核由P估计而来:
h
0
=
P
(
I
L
R
)
h_0=P(I^{LR})
h0=P(ILR)
\qquad
2.然后用得到的初始核输入SFTMD得到第一个SR结果:
I
0
S
R
=
F
(
I
L
R
,
h
0
)
I_0^{SR}=F(I^{LR},h_0)
I0SR=F(ILR,h0)
\qquad
显然SFTMD需要两个输入:初始核(第n次矫正核)和LR图片(第n次SR)
\qquad
3.用初始核和上一个SR来矫正核,显然这也是两个输入
这里我将图片进行拆分,按照步骤,方便对应解释:
步骤1,初始核估计
步骤2:得到第一次SR,输入是LR和步骤1的初始估计的核
步骤3:用步骤2的SR结果,和上一次的核进行模糊核矫正
步骤4:重复这个过程(IKC),论文是7次,效果就比较好了
细节
\qquad 说到这里,基本上可以助理解逻辑了。具体细节,比如怎么SRMD拉伸机制,SRResNet怎么处理多种(个)核,以后有空的时候补上。