【CVPR2020】用于图像超分辨率的深度展开网络，Deep Unfolding Network for Image Super-Resolution

题目： Deep Unfolding Network for Image Super-Resolution

摘要：

基于学习的单图像超分辨率(SISR)方法不断显示出优于传统的基于模型的方法的有效性和效率，这主要是由于端到端的训练。但是，与基于模型的方法不同，基于模型的方法可以在统一的MAP(maximum a posteriori)框架下处理具有不同比例因子、模糊内核和噪声级别的SISR问题，基于学习的方法通常缺乏这种灵活性。为了解决这一问题，本文提出了一种基于学习方法和基于模型方法的端到端可训练展开网络。具体来说，通过半二次分裂算法展开映射推理，可以得到由交替求解一个数据子问题和一个先验子问题组成的固定次数的迭代。这两个子问题可以用神经模块来解决，从而得到一个端到端可训练的迭代网络。因此，所提出的网络继承了基于模型的方法的灵活性，在保持基于学习的方法的优点的同时，通过单一模型对不同尺度因子的模糊、有噪声的图像进行超分辨。大量的实验证明了所提出的深度展开网络在灵活性、有效性和可推广性方面的优越性。