Unsupervised Degradation Representation Learning for Blind Super-Resolution

参考：​​https://www.bilibili.com/video/BV1fB4y1U7ic​​

non-blind SR

不同的HR图像使用不同的模糊核可以得到同一张LR，一张LR可以对用无数张HR

退化过程可以用模糊、下采样和加性噪声建模

有了这个建模过程，我们可以使用模糊核得到LR图像，进行盲超分

但这个方法有一个缺点，SR结果太过依赖退化估计的精度，一旦退化估计出现问题，SR结果会很差

提出的方法

退化估计方法：

1. 依赖GT作为监督进行退化训练，因此退化估计方法不适用于真实场景，因为真实场景下GT很难获得
2. 退化估计方法实际上是对退化信息的一种像素级表示，计算比较耗时

退化表示方法：

1. 不依赖GT作为监督进行退化训练，可以无监督的从LR中学习退化信息
2. 退化表示方法学习的是一种退化的抽象表示，而不是细节表示，学习难度更低，计算较快

首先假设同一张图像的退化过程相同，不同图像的退化过程不同，将patch输入encoder得到退化表示，我们想让同一图像的patch在表示空间中尽量的接近，而不同图像的patch在表示空间中距离较远。根据这种对比学习的方式，我们可以无监督的从图像中学到退化信息

退化感知超分网路

将encoder输出的退化表示向量输入到SR网络，辅助超分下面是Degradation Aware Block的结构

这个block可以同时利用退化表示向量以及图像的Feature Map，将退化表示适配到对应的Feature Map

在第一个分支中，从退化表示里学习一个卷积核，利用这个卷积核对图像的Feature Map进行卷积；在第二个分支中，从退化表示学习一个调制的系数，利用这个系数对输入特征图进行逐通道的调制

通过两个分支，可以让将退化表示适配到对应的Feature Map，并辅助重建

实验部分

退化表示可视化

将图像用不同的退化方法进行退化，然后输入encoder得到退化表示，然后展示其特征空间。作者的encoder可以区分出用不同噪声以及不同模糊核退化特征，隐式提供LR->SR的信息

分析encoder对图像内容是否敏感

我们希望encoder只提取图像的退化信息，而对图像的内容信息不敏感，因为图像的退化方式和图像的内容是没有任何关系的

我们将相同退化方式的的10张LR图片输入encoder，得到10个退化表示特征，用这10个特征分别重建$I_1$，得到10个SR结果

从结果可以看出，对于不同图像提取出来的退化表示，最后超分的结果都是差不多的，也就是说encoder提取的退化表示对图像内容不敏感

分析纹理丰富程度和退化表示之间的关系

理论上来说，纹理越丰富，退化前和退化后的区别会越大，也就是退化影响的主要是高频信息。纹理按理说更有助于退化信息的提取，因为纹理是受退化影响最大的部分

实验过程如下：

从一张图像中获取多个patch，然后输入encoder得到退化表示，用这些退化表示对LR进行超分，得到多个SR

从结果来看，纹理较多的patch得到的退化表示对LR的超分效果更好。这就是说，更丰富的退化后的纹理有助于网络提取退化信息，从而超分重建LR

可以看到当高斯模糊核的$\sigma=0$时，高斯模糊核就成了Bicubic，RCAN取得了最好的结果38.27，但是随着$\sigma$变成1.8，RCAN的性能急剧恶化，这时因为RCAN是基于Bicubic训练的

与IKC相比，本文的方法也得到了更好的结果