Blind Super-Resolution Avec Correction de Noyau Itérative

Les méthodes basées sur l'apprentissage profond ont dominé le domaine de la sur-résolution (SR) en raison de leurs performances remarquables en termes d'efficacité et d'efficience. La plupart de ces méthodes supposent que le noyau de flou lors du sous-échantillonnage est prédéfini ou connu (par exemple, bicubique). Cependant, les noyaux de flou impliqués dans les applications réelles sont complexes et inconnus, ce qui entraîne une baisse importante des performances pour les méthodes avancées de SR. Dans cet article, nous proposons une méthode d'estimation itérative des noyaux de flou (IKC) pour résoudre le problème de sur-résolution aveugle, où les noyaux de flou sont inconnus. Nous observons que le décalage du noyau peut engendrer des artefacts réguliers (sur-aiguisage ou sur-lissage), qui peuvent être utilisés pour corriger les noyaux de flou inexactes. Ainsi, nous introduisons un schéma de correction itératif – l'IKC – qui obtient des résultats meilleurs qu'une estimation directe du noyau. Nous proposons également une architecture efficace de réseau SR utilisant des couches de transformation des caractéristiques spatiales (SFT) pour gérer plusieurs noyaux de flou, appelée SFTMD. De nombreuses expériences menées sur des images synthétiques et réelles montrent que la méthode IKC proposée avec SFTMD peut fournir des résultats visuellement satisfaisants en sur-résolution et atteindre les meilleures performances actuelles dans le problème de sur-résolution aveugle.