(NIPS2020)Unfolding the Alternating Optimization for Blind Super Resolution
https://github.com/greatlog/DAN.git
一、建模
现有盲超分方法大多基于以下退化模型：
为解决这个模型，一般先进行去噪，剩下的就是解决模糊核估计和超分问题：
为解决这个优化问题呢，一般又将该问题分成两步迭代求解：
但是这个解决方案有几个问题：1）这两步是分开处理的，需要多个模型，训练麻烦；2）对于模糊核的估计只利用了观测值y，缺少来自x的信息的话，难以精确估计；3）之前的有些方法训练SR模型时将真实kernel作为输入，但是测试时使用的是估计的kernel，这个不匹配带来严重问题。为此，作者提出如下迭代方案：
分别用一个kernel Estimator和超分Restorer网络解决上式的两个子问题，然后将这两步统一到一个模型里进行端到端的迭代优化求解：
具体而言，这里总共迭代了4步，也就是有4个Estimator和Restorer。且这四个网络模块分别参数共享来实现迭代，估计的模糊核也只用在最后一次迭代后进行监督。
二、实现细节
网络中的两个模块都有两个输入。估计器以LR和SR图像为输入，恢复器以LR图像和模糊核为输入。将LR图像定义为基本输入，另一个定义为条件输入。例如，模糊核是恢复器的条件输入。在迭代过程中，两个模块的基本输入保持不变，但它们的条件输入会重复更新。作者认为保持每个模块的输出与其条件输入密切相关是非常重要的。否则，迭代结果将发生mode collapse。具体而言，就是无论输入什么样的SR图像，估计器都输出相同的模糊核，或者恢复器输出相同的SR图像而不考虑模糊核的值，则它们的输出只依赖于基本输入，并且在迭代过程中结果保持不变。为解决这个问题，作者提出了条件残差模块（CRB）：
Estimator和Restorer均采用这个模块作为基本单元，Estimator包含5个CRB，基本输入和条件输入的通道数是32，Restorer包含40个CRB，基本输入是64通道，条件输入是10通道。
三、实验
包含两套实验配置，第一个是针对各向同性高斯模糊核，核大小固定为21。第二套配置是针对不规则模糊核
