Super-Resolution in der Realität durch Kernel-Schätzung und Rausch-Injektion

Neueste State-of-the-Art-Methoden zur Super-Resolution haben beeindruckende Leistungen auf idealen Datensätzen erzielt, unabhängig von Unschärfe und Rauschen. Allerdings versagen diese Methoden häufig bei der Super-Resolution echter, realweltbezogener Bilder, da sie meist eine einfache Bicubic-Downsampling-Methode von hochwertigen Bildern verwenden, um Paare aus Niedrigauflösenden (LR) und Hochauflösenden (HR) Bildern für das Training zu generieren. Dieser Ansatz kann jedoch wichtige frequenzbasierte Details verlieren. Um dieses Problem zu lösen, konzentrieren wir uns auf die Entwicklung eines neuen Degradationsframeworks für reale Bilder, das verschiedene Unschärfekerne sowie reale Rauschverteilungen schätzt. Auf Basis dieses neuen Degradationsframeworks können wir LR-Bilder erzeugen, die denselben Domänencharakter wie echte reale Bilder aufweisen. Anschließend stellen wir ein Modell zur Super-Resolution für reale Weltbilder vor, das auf eine verbesserte Wahrnehmung abzielt. Umfangreiche Experimente sowohl auf synthetischem Rauschdaten als auch auf echten realweltbezogenen Bildern zeigen, dass unsere Methode die aktuellen State-of-the-Art-Methoden übertrifft und dabei weniger Rauschen sowie eine bessere visuelle Qualität erzielt. Zudem wurde unsere Methode als Siegerin der NTIRE 2020 Challenge in beiden Kategorien des Real-World Super-Resolution ausgezeichnet, wobei sie die Konkurrenz mit deutlichem Abstand schlägt.