基于深度约束最小二乘的盲图像超分辨率

本文针对盲图像超分辨率（Blind Image Super-Resolution, SR）问题，提出了一种重构的退化模型以及两个新颖的模块。遵循盲超分辨率领域的通用范式，本方法旨在同时提升退化核估计与基于退化核的高分辨率图像恢复性能。具体而言，我们首先重构退化模型，使得去模糊核的估计过程可迁移至低分辨率空间进行。在此基础上，我们引入了一个动态深度线性滤波模块。该模块不为所有图像学习固定的退化核，而是根据输入图像自适应地生成去模糊核权重，从而实现更鲁棒的核估计。随后，我们采用一个深度约束最小二乘滤波模块，基于重构的退化模型与估计得到的退化核，生成干净的特征表示。去模糊后的特征与低分辨率输入图像的特征共同输入至一个双路径结构的超分辨率网络，最终恢复出高质量的高分辨率图像。为验证所提方法的有效性，我们在多个基准数据集上进行了评估，包括Gaussian8和DIV2KRK。实验结果表明，与当前最先进的方法相比，本文提出的方法在重建精度和视觉质量方面均取得了显著提升。