《Efficient and Degradation-Adaptive Network forReal-World Image Super-Resolution》论文阅读内容提炼

《Efficient and Degradation-Adaptive Network forReal-World Image Super-Resolution》《用于真实图像超分辨率的高效自适应网络》

        文章提出了两个贡献：第一提出了一种退化自适应超分辨率网络，它显著提高了模型对不同退化程度图像的超分辨率能力；第二他们的DASR网络pipeline非常高效，为在实际应用中执行真正的ISR提供了一个很好的解决方案。

Abstract

        最近，通过对图像退化空间进行建模，对真实图像超分辨率重建的研究取得了重大进展，然而，这些方法在很大程度上依赖于重型骨干网络，并且它们在处理不同降级级别的图像时缺乏灵活性。

        在本文中，我们提出了一种高效且有效的退化自适应超分辨率（DASR）网络，其参数通过估计每个输入图像的退化来自适应指定。

        具体来说，使用一个tiny的回归网络来预测输入图像的退化参数，同时使用具有相同拓扑结构的多个卷积专家联合优化，通过专家的非线性混合指定网络参数。

        多个专家的联合优化和退化自适应的pipeline极大地扩展了模型处理不同退化级别的能力，同时推理仍然保持效果，原因是由于只使用一个自适应指定的网络来超分辨率输入图像。

        我们的大量实验表明，所提出的DASR不仅在处理不同退化程度的真实图像方面比现有方法更有效，而且易于部署。代码模型发布于：

https://github.com/csjliang/DASR

关键词：真实图像超分辨率、自适应退化、高效超分辨率

一、Introduction

        大多数基于CNN的单图像超分辨率重建（SISR）都假设，从HR图像到LR图像存在预定义的退化过程（例如双三次下采样）。

        尽管目前SRCNN模型取得了巨大的成功，但由于训练数据和真实测试数据之间的退化模型不匹配，这些盲图超分变率算法在面对真实图像时的性能将大大恶化和降低。

        盲图像超分辨率（BISR）算法通过考虑从真实图像中提取的更复杂的退化核来解决非盲SISR方法的问题，然而，这些方法的降级空间实际上仅限于一组预先收集的内核，例如DPED内核池。对于真实世界的图像，它们的退化空间可能要大得多，包括比DPED内核池更多的类型和更复杂的内核，更复杂和更强的噪声，以及其他退化 *** 作，如压缩。

二、Related work

        因此，最近的许多研究都集中在通过建模和合成真实世界图像的复杂退化过程来实现真实世界图像超分辨率任务（real-ISR），但是一些超分网络如BSRGAN和Real ESRGAN很难在轻度退化的LR输入上生成精细细节，而且他们骨干网络较重。人们高度期待开发能够处理不同退化程度图像的RealISR模型。

        我们提出了一种退化自适应超分辨率（DASR）网络，其参数根据给定图像的退化情况自适应指定。我们的DASR由一个用于估计输入图像退化参数的小型回归网络和多个轻量级超分辨率专家组成，这些专家在一个平衡的退化空间上进行联合优化。

        对于每个输入图像，通过专家的非线性混合构建自适应网络，其自适应权重因子由估计的退化参数指定。多重超分辨率专家和退化感知混合显著提高了模型处理不同退化图像的能力。同时，DASR的整个流水线高效地满足了实际ISR任务的要求，因为在推理过程中只使用一个自适应网络来超级解析图像，而且混合专家的成本可以忽略不计。

三、Methodology

---------------------------------明天接着写----------------------------------