(NIPS2020)Unfolding the Alternating Optimization for Blind Super Resolution 笔记
(NIPS2020)Unfolding the Alternating Optimization for Blind Super Resolution
https://github.com/greatlog/DAN.git
一、建模
现有盲超分方法大多基于以下退化模型:
为解决这个模型,一般先进行去噪,剩下的就是解决模糊核估计和超分问题:
为解决这个优化问题呢,一般又将该问题分成两步迭代求解:
但是这个解决方案有几个问题:1)这两步是分开处理的,需要多个模型,训练麻烦;2)对于模糊核的估计只利用了观测值y,缺少来自x的信息的话,难以精确估计;3)之前的有些方法训练SR模型时将真实kernel作为输入,但是测试时使用的是估计的kernel,这个不匹配带来严重问题。为此,作者提出如下迭代方案:
分别用一个kernel Estimator和超分Restorer网络解决上式的两个子问题,然后将这两步统一到一个模型里进行端到端的迭代优化求解:
具体而言,这里总共迭代了4步,也就是有4个Estimator和Restorer。且这四个网络模块分别参数共享来实现迭代,估计的模糊核也只用在最后一次迭代后进行监督。
二、实现细节
网络中的两个模块都有两个输入。估计器以LR和SR图像为输入,恢复器以LR图像和模糊核为输入。将LR图像定义为基本输入,另一个定义为条件输入。例如,模糊核是恢复器的条件输入。在迭代过程中,两个模块的基本输入保持不变,但它们的条件输入会重复更新。作者认为保持每个模块的输出与其条件输入密切相关是非常重要的。否则,迭代结果将发生mode collapse。具体而言,就是无论输入什么样的SR图像,估计器都输出相同的模糊核,或者恢复器输出相同的SR图像而不考虑模糊核的值,则它们的输出只依赖于基本输入,并且在迭代过程中结果保持不变。为解决这个问题,作者提出了条件残差模块(CRB):
Estimator和Restorer均采用这个模块作为基本单元,Estimator包含5个CRB,基本输入和条件输入的通道数是32,Restorer包含40个CRB,基本输入是64通道,条件输入是10通道。
三、实验
包含两套实验配置,第一个是针对各向同性高斯模糊核,核大小固定为21。第二套配置是针对不规则模糊核
(NIPS2020)Unfolding the Alternating Optimization for Blind Super Resolution 笔记相关推荐
- Unfolding the Alternating Optimization for Blind Super Resolution
Unfolding the Alternating Optimization for Blind Super Resolution 论文信息 Paper: [NeurIPS2020] Unfoldin ...
- Google Pixel 超分辨率--Super Resolution Zoom
Google Pixel 超分辨率–Super Resolution Zoom Google 的Super Res Zoom技术,主要用于在zoom时增强画面细节以及提升在夜景下的效果. 文章的主要贡 ...
- CV之SR:超分辨率(Super resolution)的简介、使用方法、案例应用之详细攻略
CV之SR:超分辨率(Super resolution)的简介.使用方法.案例应用之详细攻略 目录 超分辨率(Super resolution)的简介 超分辨率(Super resolution)的使 ...
- Super Point 笔记(二)
Super Point 笔记-- 网络结构 接续上一篇文章,上一篇文章中已经大体介绍了Superpoint 网络的框架,本文将继续介绍superpoint内的网络部分 Super Point 结构 与 ...
- 论文翻译:2019_Speech Super Resolution Generative Adversarial Network
博客作者:凌逆战 论文地址:基于GAN的音频超分辨率 博客地址:https://www.cnblogs.com/LXP-Never/p/10874993.html 论文作者:Sefik Emre Es ...
- 论文翻译:Speech Super Resolution Generative Adversarial Network
博客作者:凌逆战 论文地址:https://ieeexplore.ieee.org/document/8682215 博客地址:https://www.cnblogs.com/LXP-Never/p/ ...
- 【Super Resolution】超分辨率——SRCNN
SRCNN 01 闲聊--图像的超分辨率 02 SRCNN--超分和DL的结合 02-1 双三次插值 02-2 SRCNN的网络结构 02-3 Training 训练阶段 03 EXPERIMENTS ...
- Wavelet-SRNet: A Wavelet-based CNN for Multi-scale Face Super Resolution
Wavelet-SRNet: A Wavelet-based CNN for Multi-scale Face Super Resolution 2017 ICCV 1.引言 2.网络结构 3.损失函 ...
- 漫谈深度学习在Super Resolution(超分辨率)领域上的应用
1.前言 清晨,师兄推荐给我一篇文章,关于利用DeepLearning思想进行图像超分辨恢复的.超分辨这个话题几年之前还是比较火爆的,无论是BiCube.SP.A*都给出了令人振奋的结果.但是细节恢复 ...
最新文章
- poj_3067 树状数组
- 将来以静态网页形式展示漏洞影响产品信息
- 对于Python开发者,这本书绝对算得上此生必读之作
- 在mac上搭建了Java 环境,谨以此文写给自己
- 泛型算法STL中的迭代器,泛型算法,萃取机的一个实现案例
- 一文读懂 .NET 中的高性能队列 Channel
- quartz 任务调试 建表 sql 语句、create table语句
- python圆形_Python中的圆形范围
- ipv6+ssh+java_IPv6的本地联网地址计算方法详解
- Linux服务器配置秘钥对连接
- matplotlib动画入门(1):基本概念
- html源码蔡,html基础代码详解
- iOS 11.3 显示:Apple ID 或将实现微信式扫码登陆
- Kubernetes1.4即将发布
- JavaScript权威指南学习笔记(一)
- 计算机设备没有音频,计算机上没有音频设备是什么意思?
- 解决CRMEB跨域问题
- 针对VMware安装Win10需要安装.NET Framework 3.5常见的0x800F0906、0x800F081F错误解决办法
- Kubernetes--学习笔记-3-Kubernetes Web UI部署
- 计算机组成原理学习笔记一