SFTMD(2019CVPR):Blind Super-Resolution With Iterative Kernel Correction

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 $k$ 为 $l\times l$，则核空间线性维度为 $l^2$。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 $M\in R^{b\times l^2}$，这样得到 $b$ 维。降为后的模糊核用 $h$ 表示，$h=Mk$, $h\in R^b$。
步骤：
\qquad 1.初始核由P估计而来：$h_0=P(I^{LR})$
\qquad 2.然后用得到的初始核输入SFTMD得到第一个SR结果：$I_0^{SR}=F(I^{LR},h_0)$
\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。