UDVD(CVPR 2020): Unified Dynamic Convolutional Network for SRwith Variational Degradations

UDVD(CVPR 2020):Unified Dynamic Convolutional Network for Super-Resolution with
Variational Degradations

简要说明

\qquad UDVD是从退化模型的角度考虑。将动态卷积进入超分辨网络，使得模型可以适应多种退化模型（这句话说起来有点儿像SFTMD，学习多种核的共同之处，然后使得模型可以适应多种退化模型）
\qquad 网络结构主要分为两块：特征提取（Feature Extraction Network，FEN），特征细化（Refinement Network,RN）

1. 先将多种模糊核和LR进行级联
2. 然后输入到FENZ中用残差结构进行特征提取
3. 把提取的特征送RN中的每一个动态卷积块中（有点儿像跳跃连接，DenseNet的稠密连接）

论文中，
\qquad 1.UDVD是把模糊核连接在一起进行特征提取，然后传播特征；
\qquad 2.SFTMD是将模糊核进行传递，用于训练网络中间参数
\qquad 3.两种算法的模糊核的生成方式大致差不多

特别说明下动态卷积核

\qquad 初看，特别像 ESPCN亚像素卷积（CVPR2016）
\qquad 典型的动态卷积核，是为图像的每个像素分配一个核。在论文中，引入了通道的思想（可能受RCAN的通道注意力机制的启发吧）这样权重由原来通道间公用而变成独立的了。
如下图是ESPCN

如下图是典型动态卷积（放大比例为：1）

细节

最后说一下，使用动态卷积进行放大的操作，就是把 $r^2\times k$ 大小的通道展成了SR上的一块 $r^2\times 1$。（个人理解哈，希望不要误导了。）
说到动态卷积，让我想起了有篇语义分割的论文中使用了空洞卷积。