本文共 3369 字，大约阅读时间需要 11 分钟。

持续更新

Progressive Multi-Scale Residual Network for Single Image Super-Resolution

• 论文链接：
• 代码： （暂未公开）
• 发表时间：2020.7
• 网络结构：
  
  1）包括三个部分特征提取、非线性特征抽取、重建；
  2）非线性特征抽取主要由PMRB模块构成；
  3）普通的多尺度是通过卷积层不同核大小实现的，当卷积核比较大时，所需参数量和计算量都比较大，本文以递归的形式采用相同卷积核尺寸（3*3）实现多尺度（递归结构换一种解释方法，个人认为创新性不大）：
  
  4）在PMRB中还采用了channel-Attention和pixel-Attention构成CPA：
  
  5）损失函数为$l_1$loss；

Blind Super-Resolution Kernel Estimation using an Internal-GAN

• 论文链接：
• 代码：
• 2019
• 算法结构：
  
  1）利用kernelGAN估计一幅真实LR图像的降质核；
  2）输入为真实的LR图像，从图像中随机切出的3000个$64\times 64$的图像块送入全卷积生成器G中，生成尺度缩小s倍的LR图像块，此处的损失函数除了对抗损失外，还有生成LR图像与对输入的$64\times 64$进行bicubic降采样间的MSE损失，还有对G模拟kernel核的限制；
  3）如何从G中提取对应的模拟核：对G输入1，输出即为模拟核；
  4）判别器，判断真实LR图像块和生成的LR图像块的真假，输出为像素级；
  5）超分采用ZSSR算法；

Real-World Super-Resolution via Kernel Estimation and Noise Injection

• 论文链接：
• 代码：
• CVPR2020， NTIRE2020 RWSR双赛道冠军
• 算法结构：
  
  1）提出新的数据制作方案：统计模糊核与真实噪声分布并用于制作训练数据对，确保生成的LR图像具有与源域图像相似的属性；2）判别器采用块判别器，可以去除伪影；
  2）计算模糊核，参考KernelGAN，满足的约束条件为
  $$argmin||(I_{src}\ast k){\downarrow }_s-I_{src}{\downarrow }_s|{|}_1+|1-\sum k_{i,j}|+|\sum k_{i,j}\cdot m_{i,j}|+|1-D((I_{src}\ast k){\downarrow }_s)|(4)$$

$(I_{src}\ast k){\downarrow }_s$表示利用核k进行降采样的LR图像，$I_{src}{\downarrow }_s$表示基于理想核进行降采样的LR图像。第二项为正则化项，第三项为边界惩罚项;

Perceptual Extreme Super Resolution Network with Receptive Field Block

• 论文链接：
• 代码：暂未开源
• CVPR2020， NTIRE2020 感知极限超分赛道冠军
• 网络结构（基于ESRGAN）：
  
  1）RRDB模块
  2）RRFDB模块
  
  3）RFB模块
  
  关注不同层次的细节，且减少运算量和参数量；
  4）上采样模块
  
  最近邻插值法上采样关注空间的特征转换，亚像素层关注depth-to-space，两者交替结合效果更好；
  5）训练时，先PSNR-oriented训练，将其作为预训练模型，然后添加内容损失和对抗损失进行微调；
  6）最终采用网络插值，取在测试集上最好的十个模型进行网络集成

PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models

• 论文链接：
• 项目代码：https://github.com/adamian98/pulse
• CVPR2020
• 网络结构：
  1）网络是styleGAN；
  2）生成器生成$1024\times 1024$的人脸图像，然后对生成的人脸图像进行32倍bicubic降采样，与真实的LR图像做$l_2$loss，生成一张图像时，进行100次微调，使得生成图像降采样后和原始的LR图像相似；(训练过程的代码还未公开，训练的一些步骤我现在还不清楚，跟进后再补充)

Guided Frequency Separation Network for Real-World Super-Resolution

• 论文链接：
• 代码工程：
• 网络结构：
  
• 分两个阶段，第一阶段：无监督数据生成（通过HR图像生成LR图像，gan）；第二阶段：监督SR（基于第一阶段生成的成对LR-HR图像进行训练）；
• 基于DSGAN的改进；
• 第一阶段的gan网络，生成器的主要单元为CARB（Color Attention Residual Block），其中的使用使得能够控制color shift，生成器的输入为bicubic将采用的HR图像块，生成器及判别器细节如下所示：
  
  
  生成器损失函数：$L_G={\lambda }_{t1}\ast L_{low}+{\lambda }_{t2}\ast L_{per}+{\lambda }_{t3}\ast L_{high}$
  其中：
  
  $F_L()$表示高斯低通滤波器；
  
  
  判别器损失函数定义：
  
• 第二阶段：利用前一阶段的网络生成LR图像，构成LR-HR图像对，然后基于LSGAN进行训练，判别器分为高低频提取特征，细节如下：
  
  此阶段的生成器损失函数除了对抗损失和$l_1$损失外，另添加了边缘损失：
  
  其中$F_E$表示Canny边缘检测器。

Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution

• 论文链接：

• 代码工程：

• 网络结构：

  
  

1. 图中黑色箭头是正向网络，先降采样提取特征再超分，红色箭头为对偶网络，从得到的超分图像中退质出低分图像；
2. loss函数：引入额外的对偶回归Loss：
   
   $L_p()$是多个尺度图像的loss；
   在没有成对数据集时，采用半监督学习，引入部分的成对数据集用于训练，整体损失函数为：
   
3. $1_{Sp}(x_i)$表示当$x_i$输出成对数据集时，该函数等于1，反之等于0。
   训练策略：
   

Dual Super-Resolution Learning for Semantic Segmentation

• 论文链接：
• 代码工程：
• 网络结构：
  
  1）将超分用于语义分割，构成多任务网络结构；
  2）包括三大模块：语义分割超分（SSSR,网络结构图的上分支）,单幅图像超分（SISR，网络结构图的下分支），特征相似度（FA，网络结构图的中间部分）；
  3）特征相似度计算表达式为:
  

4. 最终的loss函数：
   

转载地址：http://bmjti.baihongyu.com/