CVPR2020，USRnet，Deep Unfolding Network for Image Super-Resolution

Advanced Iterative Architecture for Efficient Super-Resolution Processing

摘要：

存在局限性：传统技术可借助固定手段应对多尺度问题，并能有效识别模糊核以及残留噪声等挑战。然而，在复杂退化场景下（如涉及特定模型的情形），基于学习算法则无能为力。

得到的效果：该模型能够有效处理不同尺度下的细节变化、图像模糊现象及噪声干扰所导致的相关图像处理问题。

1、Introduction

SR目前正面临的重大挑战是现有退化算法与实际退化过程之间的显著差距。

现有的基于CNN的方法无法通过单一的模型应对不同退化方式的图像。

本文的主要贡献：

最初尝试利用该模型来处理图像退化类型的不同表现（如缩放倍数、模糊核和噪声水平）。

（2）USRNet完美地整合了基于模型的方法及其优势，并在模型与学习者之间架起了桥梁。

2、Related work

根据实际，应该考虑到三个关键的退化因素：缩放尺寸、模糊核、噪声。

3、Method

3.4 End-to-end training

选取的训练数据集为DIV2K和Flickr2K，LR图像的获取采用合成的方式 ：

缩放大小分别选取{1,2,3,4}。

44,51,67

44,51,67

对于噪声，设置其范围为[0，25]。

经过训练获得模型后，并加入L1损失、VGG损失和对抗损失等指标。最终获得USRGAN模型。

4、Experiments

采用12种模糊核进行测试。

4.1 PSNR results

其次，在近似于双三次降解的环境下运行时，RCAN能够展现出良好的去噪性能性能，然而，在这种情况下发生明显退化。（这里是否根据新的数据进行了模型的再训练？）

尽管USRNet并非专为bicubic退化而设计，但它即便在仅bicubic退化的情形下也仍能展现出良好的效果：

4.2 Visual results

RankSRGAN cannot achieve good performance if the degradation differs significantly from the bicubic degradation. It is noteworthy that RCAN, RankSRGAN, and similar models are all trained on bicubic datasets. Consequently, their comparability remains questionable.