Kernel-bewusste Burst-Blind Super-Auflösung

Die Burst-Super-Resolution-(SR)-Technik bietet die Möglichkeit, reichhaltige Details aus Bildern niedriger Qualität wiederherzustellen. Allerdings leiden bestehende nicht-blinde (z.B. bikubische) entworfene Netze in der Praxis oft unter einem starken Leistungsverlust beim Wiederherstellen von Hochauflösungsbildern (HR), da echte Niedrigauflösungsbilder (LR) in praktischen Anwendungen mehrere komplizierte und unbekannte Degradierungen aufweisen. In dieser Arbeit adressieren wir das Problem der Rekonstruktion von HR-Bildern aus rohen Burst-Sequenzen, die von einem modernen Handheld-Gerät erfasst wurden. Das zentrale Konzept ist eine kernelgesteuerte Strategie, die das Burst-SR-Problem in zwei Schritte lösen kann: Kernel-Schätzung und Wiederherstellung von HR-Bildern. Der erste Schritt schätzt Burst-Kernels aus den rohen Eingaben, während der zweite Schritt das Super-Resolution-Bild basierend auf den geschätzten Kernels vorhersagt. Darüber hinaus führen wir ein pyramidenförmiges kernelbewusstes deformierbares Ausrichtungsmodul ein, das die rohen Bilder effektiv unter Berücksichtigung der verschwommenen Vorinformationen ausrichten kann. Umfangreiche Experimente an synthetischen und realen Datensätzen zeigen, dass die vorgeschlagene Methode eine günstige Spitzenleistung im Burst-SR-Problem erzielen kann. Unser Code ist unter \url{https://github.com/shermanlian/KBNet} verfügbar.