Tiefes konstraiertes kleinste Quadrate für blinde Bild-Super-Resolution

In diesem Paper greifen wir das Problem der blinden Bild-Super-Resolution (SR) mit einem neu formulierten Degradationsmodell und zwei neuartigen Modulen an. Anhand der gängigen Praktiken der blinden SR zielt unsere Methode darauf ab, sowohl die Schätzgenauigkeit des Deblurring-Kerns als auch die hochauflösende Bildrekonstruktion basierend auf diesem Kern zu verbessern. Konkret reformulieren wir zunächst das Degradationsmodell derart, dass die Schätzung des Deblurring-Kerns in den niedrigauflösenden Raum übertragen werden kann. Auf dieser Grundlage führen wir ein dynamisches tiefes lineares Filtermodul ein. Im Gegensatz zu einem festen Kernel, der für alle Bilder gilt, kann dieses Modul adaptiv Kernel-Gewichte bedingt auf die Eingabe generieren und somit eine robusteres Kernel-Schätzverfahren ermöglichen. Anschließend wird ein tiefes eingeschränktes Least-Square-Filtermodul angewendet, um saubere Merkmale auf Basis der reformulierten Degradation und des geschätzten Kernels zu erzeugen. Die deblurred Merkmale sowie die Merkmale des niedrigauflösenden Eingabebildes werden dann in ein dual-path strukturiertes SR-Netzwerk eingespeist, um das endgültige hochauflösende Ergebnis zu rekonstruieren. Zur Bewertung unserer Methode führen wir zusätzliche Evaluationen auf mehreren Benchmarks durch, darunter Gaussian8 und DIV2KRK. Unsere Experimente zeigen, dass die vorgeschlagene Methode gegenüber aktuellen State-of-the-Art-Verfahren eine höhere Genauigkeit und verbesserte visuelle Qualität erzielt.