BSRGAN / 为深盲图像超分辨率设计一个实用的退化模型
BSRGAN / 为深盲图像超分辨率设计一个实用的退化模型
Lickety 拆分评论
问题 : SR 模型遭受现实世界未知的复杂退化
解决方案 ：
• 使用丰富多样的降解方法
• 随机洗牌退化方法
Vanilla SR 训练过程包括获取 HQ 图像并通过模糊、下采样、噪声和 JPEG 压缩获得 LQ 作为 HQ 退化。这种 LQ 方法是不够的，因为在现实世界的场景中，我们有未知的图像退化，因为我们在互联网上共享它 n 次，通过压缩保存它等等。为了解决这个问题，作者设计了由一系列不同退化方法组成的退化模型，例如具有各种内核大小的各向同性和各向异性高斯模糊、最近/双线性/双三次下采样、高斯噪声、两个 JPEG 压缩和相机传感器噪声。每次将这些方法随机打乱以获得变形序列。
还有一个模型叫做 BSRGAN 本身，但在某种意义上它是 ESRGAN 应用了这个精确的退化模型。
恕我直言 ：不确定这种方法对类似物的重要性，因为 ** 真实 ESRGAN** 作为 SOTA 降级方法，同时与 ** BSRGAN** 没有考虑架构的差异，因此直接比较不同的退化模型没有定性的结果；也许这个方案+ sinc滤波器的融合来自 ** 真实 ESRGAN** 将大大推动。
Schematic illustration of the degradation model
大家好！ “Lickety Split Review”旨在让您在几分钟内了解一篇论文的内容：我们突出作者面临的问题，向您展示他们如何解决这些问题，谈论新颖性，并为您提供我们的拙见.
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
