Blind Super-Resolution via Meta-learning and Markov Chain Monte Carlo Simulation

学习为基础的方法在盲单幅图像超分辨率（SISR）任务中取得了巨大的成功，然而，通常需要手工制作的核先验和基于学习的核先验。在本文中，我们提出了一种基于元学习和马尔可夫链蒙特卡罗（MCMC）的SISR方法，从有组织的随机性中学习核先验。具体而言，采用轻量级网络作为核生成器，并通过从随机高斯分布的MCMC模拟中学习进行优化。这个过程提供了合理模糊核的近似，并引入了网络级Langevin动力学到SISR优化过程中，有助于防止核估计的不良局部最优解。同时，提出了一种基于元学习的交替优化过程，分别优化核生成器和图像恢复器。与传统的交替最小化策略相比，应用元学习框架来学习自适应优化策略，这种策略不那么贪婪，收敛性能更好。这两个过程以插入和播放的方式迭代处理，首次实现了在无监督推理中的基于学习的但即插即用的盲SISR解决方案。广泛的模拟证明了所提出的方法在合成和真实数据集上与现有技术相比具有卓越的性能和泛化能力。代码可在https://github.com/XYLGroup/MLMC上获得。

本文旨在通过元学习和马尔可夫链蒙特卡罗（MCMC）方法，从有组织的随机性中学习核先验，以实现无监督推理中的基于学习的但即插即用的盲超分辨率（SISR）解决方案。

本文提出了一种轻量级网络作为核生成器，通过从随机高斯分布的MCMC模拟中学习来优化该生成器，从而提供了合理模糊核的近似，并将网络级Langevin动力学引入SISR优化过程中，有助于防止核估计的坏局部最优解。同时，提出了一种基于元学习的交替优化过程，分别优化核生成器和图像恢复器。

本文的亮点包括：1.提出了一种元学习和MCMC方法相结合的SISR解决方案；2.使用轻量级网络作为核生成器，从有组织的随机性中学习核先验，实现即插即用的盲SISR；3.通过元学习的交替优化过程，实现了自适应优化策略，具有更好的收敛性能；4.在合成和真实世界数据集上进行了广泛的模拟实验，证明了该方法的优越性和泛化能力。

最近在这个领域中，还有一些相关的研究，例如：1.《Deep Residual Learning for Image Super-Resolution》；2.《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》；3.《Enhanced Deep Residual Networks for Single Image Super-Resolution》等。