概率退化模型PDM 解决盲图像超分辨率问题

要点:

本文介绍了一种新的解决盲图像超分辨率问题的方法，称为概率退化模型（PDM），它有助于更好地理解图像退化分布。

传统的图像超分辨率方法通常假设退化模型是已知的，但实际中这种模型往往复杂且不确定。PDM通过学习退化分布来解耦退化作用与图像内容。

PDM的关键思想是将退化过程分解为模糊核和噪声的独立部分，并使用生成模型来建模它们的分布，从而提高图像超分辨率性能。

图像超分辨率是计算机视觉领域的一个重要问题，它旨在从低分辨率图像中生成高分辨率图像。传统的方法通常假设已知退化模型，即如何从高分辨率图像生成低分辨率图像。然而，实际中，这个模型往往复杂且不确定，导致图像超分辨率性能有限。

本文介绍了一种新的方法，概率退化模型（PDM），以改进图像超分辨率性能。PDM的核心思想是学习图像的盲超分辨率问题，其中退化模型未知。为了更好地理解PDM，首先需要了解图像超分辨率任务的基本概念。

论文地址：https://arxiv.org/pdf/2203.04962.pdf

图像超分辨率任务的目标是从低分辨率图像（LR图）重建出高分辨率图像(HR图)。通常，这需要使用一个退化模型，该模型描述了如何从HR图生成LR图。然而，传统模型假设这个退化模型是已知的，通常使用双三次下采样的模糊核。但实际中，这种模型往往无法准确建模复杂的退化过程，特别是在面对不同图像内容时。

本文提出的PDM方法试图解决这个问题。它将退化过程分解为两个独立的部分:模糊核和噪声。模糊核描述了图像的模糊过程，而噪声表示与传感器相关的图像噪声。PDM使用生成模型来建模这两个部分的分布，使其更好地适应不同图像的退化情况。

通过这种方式，PDM可以更好地解耦退化作用与图像内容，从而提高超分辨率模型在各种测试图像上的性能。它还可以作为一个数据生成器，轻松与现有的超分辨率模型集成，帮助它们在实际应用中表现更出色。

总之，PDM是一种创新的方法，可以提高盲图像超分辨率的性能，特别是在处理不确定的退化模型时。通过学习退化分布，它为图像超分辨率任务带来了新的可能性，有望在计算机视觉领域取得重要进展。