Blind Super-Auflösung mit iterativer Kernkorrektur

Methoden auf der Basis des Deep Learnings haben das Feld der Super-Resolution (SR) aufgrund ihrer bemerkenswerten Leistung in Bezug auf Effektivität und Effizienz dominiert. Die meisten dieser Methoden gehen davon aus, dass das verwischende Kern (Blur Kernel) während des Downsampling vorgegeben oder bekannt ist (z.B. bicubisch). In realen Anwendungen sind jedoch die verwischenden Kerne komplex und unbekannt, was zu einem erheblichen Leistungsverlust für fortschrittliche SR-Methoden führt. In dieser Arbeit schlagen wir eine iterative Kernkorrekturmethode (Iterative Kernel Correction, IKC) vor, um die Schätzungen der verwischenden Kerne im blinden SR-Problem zu verbessern, bei dem die Kerne unbekannt sind. Wir beobachten, dass ein Kernaufbaufehler regelmäßige Artefakte (entweder Über-Schärfung oder Über-Glättung) verursachen kann, die zur Korrektur ungenauer verwischender Kerne genutzt werden können. Daher führen wir ein iteratives Korrekturverfahren – IKC – ein, das bessere Ergebnisse als direkte Kernschätzung erzielt. Des Weiteren schlagen wir eine effektive SR-Netzwerkarchitektur vor, die räumliche Merkmalstransformationschichten (Spatial Feature Transform, SFT) verwendet, um mehrere verwischende Kerne zu behandeln; dieses Netzwerk nennen wir SFTMD. Ausführliche Experimente mit synthetischen und realen Bildern zeigen, dass das vorgeschlagene IKC-Verfahren in Verbindung mit SFTMD sowohl visuell ansprechende SR-Ergebnisse als auch den Stand der Technik im blinden SR-Problem bieten kann.