摘要
以往的方法将盲超分辨率（SR）问题分解为两个连续的步骤：\textit{i}) 从给定的低分辨率（LR）图像中估计模糊核；\textit{ii}) 基于估计的模糊核恢复超分辨率图像。这种两步解决方案涉及两个独立训练的模型，它们之间可能不完全兼容。第一步中的小误差可能会导致第二步性能大幅下降。另一方面，第一步只能利用LR图像中的有限信息，这使得预测高精度模糊核变得困难。针对这些问题，我们没有将这两个步骤分开考虑，而是采用了交替优化算法，在单个模型中同时估计模糊核并恢复超分辨率图像。具体而言，我们设计了两个卷积神经模块，分别命名为\textit{恢复器}（Restorer）和\textit{估计器}（Estimator）。\textit{恢复器}基于预测的模糊核恢复超分辨率图像，而\textit{估计器}则在恢复的超分辨率图像的帮助下估计模糊核。我们反复交替这两个模块，并展开这一过程以形成一个端到端可训练的网络。通过这种方式，\textit{估计器}可以利用LR和SR图像的信息，从而使得模糊核的估计更加容易。更重要的是，\textit{恢复器}是使用由\textit{估计器}估计的模糊核进行训练的，而不是使用真实的模糊核，因此\textit{恢复器}对\textit{估计器}的估计误差具有更高的容忍度。在合成数据集和真实世界图像上的大量实验表明，我们的模型在很大程度上优于现有最先进方法，并且能够在更高速度下产生更令人满意的视觉效果。源代码可在以下地址获取：https://github.com/greatlog/DAN.git。