Deep learning-based blind image super-resolution with iterative kernel reconstruction and noise estimation

盲目单张图像超分辨率（SISR）是图像处理中一项具有挑战性的任务，因为这是一个逆问题，存在不适定性。现实生活中的图像存在复杂的退化，使得使用朴素的深度学习方法难以解决这个问题，其中模型通常是在合成图像对上进行训练的。迄今为止，大部分工作都集中在在某些约束条件下解决逆问题，例如在有限的模糊核空间内和/或假设输入图像无噪声。然而，文献中存在一个空白，即提供一个良好泛化的深度学习解决方案，可以在具有未知和高度复杂退化的图像上表现良好。在本文中，我们提出了一种盲目SISR的IKR-Net（迭代核重建网络）方法。在所提出的方法中，使用专用的深度模型迭代地进行核和噪声估计以及高分辨率图像重建。迭代精细化提供了在重建图像和估计模糊核方面的显着改进，即使对于带有噪声的输入也是如此。IKR-Net提供了一个通用的解决方案，可以处理任何类型的模糊和输入低分辨率图像中的噪声级别。IKR-Net在盲目SISR方面取得了最先进的结果，尤其是对于带有运动模糊的噪声图像。

论文旨在解决盲超分辨率问题，即对于未知和高度复杂的模糊和噪声情况下的低分辨率图像进行高分辨率图像的重建。

论文提出了一种名为IKR-Net的迭代核重建网络，通过迭代地使用专用深度模型进行核和噪声估计以及高分辨率图像重建，从而提供了一种通用的解决方案。

论文的实验结果表明，IKR-Net在盲超分辨率方面取得了最先进的结果，尤其是对于带有运动模糊的噪声图像。论文还使用了多个数据集进行实验，并公开了代码。

最近的相关研究包括：《Deep Learning for Single Image Super-Resolution: A Brief Review》、《Image Super-Resolution Using Deep Convolutional Networks》等。