本文介绍了SRMD网络，它在NTIRE2018比赛中表现出色，结合超分辨率、去噪和去模糊功能。通过将模糊核、下采样和噪声作为输入训练网络，实现了单一模型处理多种退化问题。网络结构简单，虽未使用shortcut，但应用了BN。训练策略包括在不同模糊核和噪声级别上采样，使用Adam优化器，并对训练错误稳定时进行参数调整。在真实图像上的应用通过搜索最佳模糊核以获得最佳恢复效果，保持了高效的速度。
Learning a Single Convolutional Super-Resolution Network for Multiple Degradations论文阅读
IRCNN这篇论文我感觉对后面做超分+去噪+去模糊三合一这个思路是一种启发，SRMD应该是一篇受了启发后的成果。
这篇文章的成果在NTIRE2018上参加了比赛，考虑到它本身速度很快，层数比较少，虽然成绩不是最好的，但效果我觉得也很不错了。
理论+实现
超分+去噪+去模糊三合一，退化模型就有了三种参数：
y=(x⊗k)↓s+ny=(x \otimes k) \downarrow_{s}+ny=(x⊗k)↓s+n
其中k描述的是模糊核，↓s\downarrow_{s}↓s描述的是下采样，n描述的是噪声，相比于IRCNN的分析+设计网络，SRMD就比较粗暴了，直接显式地将k,s,n都作为数据加入网络进行训练（不过事实上只是针对k进行了训练）训练）。
当然了，直接往里硬塞是不行的，模糊核一般都很小(论文里用的15x15和7x7)，图片就大多了，所以论文里做了一个挺有意思的trick。
它首先把模糊核拉直(一维化)，然后做一个PCA（只留下
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
