A New Dataset and Framework for Real-World Blurred Images Super-Resolution

最近的盲目图像超分辨率（BSR）方法已经在一般图像上表现出熟练的能力。然而，我们发现，当这些方法用于带有模糊的图像数据时，它们的功效明显降低，而带有意图模糊的图像数据占据了一定比例的一般数据。为了进一步研究和解决这个问题，我们开发了一个新的超分辨率数据集，专门针对模糊图像，名为Real-world Blur-kept Super-Resolution（ReBlurSR）数据集，其中包含近3000个具有不同模糊大小和变化模糊强度的散焦和运动模糊图像样本。此外，我们提出了一个新的针对模糊图像的BSR框架，称为Perceptual-Blur-adaptive Super-Resolution（PBaSR），它包括两个主要模块：交叉解缠模块（CDM）和交叉融合模块（CFM）。CDM利用双分支并行性，在优化过程中隔离冲突的模糊和一般数据。CFM基于模型插值，以成本效益和高效的方式融合这些不同领域的良好优化先验。通过集成这两个模块，PBaSR在没有任何额外的推理和部署成本的情况下，在一般数据和模糊数据上都取得了可观的性能，并且可推广到多种模型架构。丰富的实验表明，PBaSR在各种指标上都取得了最先进的性能，而不会产生额外的推理成本。在广泛采用的LPIPS指标中，PBaSR在ReBlurSR和多个常见的一般BSR基准测试中，通过各种锚定方法和模糊类型，实现了约0.02-0.10的提升范围。代码在这里：https://github.com/Imalne/PBaSR。

解决问题：本论文旨在解决最近盲目超分辨率方法在处理模糊图像时表现不佳的问题，提出了一种新的超分辨率数据集和方法，专门针对模糊图像进行处理。

关键思路：本文提出了一种新的超分辨率方法，Perceptual-Blur-adaptive Super-Resolution (PBaSR)，包含Cross Disentanglement Module (CDM)和Cross Fusion Module (CFM)两个模块，可以有效地处理模糊图像，同时在处理一般图像时也表现出色。

其他亮点：本文提出了一个新的超分辨率数据集，Real-world Blur-kept Super-Resolution (ReBlurSR)，包含近3000张不同大小和强度的模糊图像。实验结果表明，PBaSR在处理模糊图像和一般图像时均表现出色，且没有额外的推理和部署成本。此外，本文开源了代码。

相关研究：最近在这个领域中，还有一些相关研究，例如《Blind Image Super-Resolution with Spatially Variant Degradations》和《Blur-robust Super-Resolution via Iterative Kernel Correction》等。