本文主要解决RealSR的数据问题,通过控制镜头到物体的距离产生成对的真实数据(Real paired SR data)。
现有的超分方法通常采用合成退化模型,如双三次(Bicubic)或高斯降采样。
本文主要从真实成对数据获取方面解决RealSR问题。
本文主要解决RealSR的数据问题,通过控制相机变焦,产生成对的真实数据(Real paired SR data)。
(B1)角度偏差;(B2)景深偏差;(B3)对齐偏差 为解决以上问题,本文提出上下文双边损失(Contextual Bilateral Loss)。
分三层进行核(kernel)预测,目的是减少计算量、增大感受野。
本文利用GAN合成跟接近于真实场景下的LR-HR图像对,然后利用该数据训练SR模型,在Real-World数据上获得了较好的重建结果。
真实场景数据更为复杂,现有模型在真实数据上的泛化能力较差。
在ESRGAN中加入频域分离。
该模糊核估计方法出自论文:Blind Image Deblurring Using Dark Channel Prior
利用WGAN-GP生成更多的模糊核,创建模糊核池K+。WGAN-GP见WGAN-GP详细过程。
本文主要思想为利用CycleGAN生成更接近于真实场景的LR-HR图像对。
损失函数主要包括两部分:
本片文章与前边介绍的文章有很多相似之处,分两部分:domain transformation 和super-resolution.
生成器损失函数(上图最下方的三个损失):低频内容损失+感知损失+高频域转换对抗损失
生成器损失(上图右上角两个损失):高频内容对抗损失+内容损失+边缘损失(canny)
本篇文章提出来一种无监督盲超分方法。 该方法可以理解为是对ZSSR(Zero-Shot SR)的改进。ZSSR利用bicubic进行下采样降质,然后完成无监督超分,但是该方法是非盲的;而本文主要的工作是利用GAN学习自身分布,从而得到更真实的降质图像。所以本文的关注点为:如何更好地完成图像降质过程。
kernelGAN详细介绍
本片文章思想类似于Kernel Modeling Super-Resolution on Real Low-Resolution Images (ICCV2019),不同之处为: 1、本文利用kernelGAN预测模糊核
本文作者认为真实世界超分辨率的关键问题是引入精确的退化方法,以保证生成的低分辨率图像与原始图像具有相同的域属性,所有本文的主要工作为:
利用KernelGAN来估计真实图像的模糊核,估计的模糊核满足以下约束:
通过注入噪声到降采样图像中,以生成真实的LR图像。噪声ni满足以下约束:
本文首先通过模拟数码相机的成像过程来生成真实的训练数据,然后直接利用原始RAW数据进行重建。
为了获得更接近于真实场景的图像,采用以下方式合成训练数据:
上路分支利用输入raw数据重建RGB图像的纹理结构信息(raw数据缺乏颜色亮度信息); 下路分支利用彩色图像对上路图像进行颜色校正。 1、重建分支: 首先将原始数据Xraw划分成四个通道,分别对应于R、G、B、G,然后利用U-Net结构提取特征并上采样,最后重建为RGB三通道。 2、颜色校正分支 利用CNN去估计pixel-wise transformation: 然后对逐个像素进行颜色校正: