A Dynamic Kernel Prior Model for Unsupervised Blind Image Super-Resolution

基于深度学习的方法在解决盲超分辨率（BSR）问题上取得了显著的成功。然而，它们大多数需要在标记数据集上进行监督预训练。本文提出了一种无监督的核估计模型，称为动态核先验（DKP），以实现一种无监督和无预训练的基于学习的算法来解决BSR问题。DKP可以自适应地学习动态核先验，以实现实时核估计，从而实现卓越的高分辨率图像恢复性能。这是通过对随机核分布进行马尔可夫链蒙特卡罗采样过程实现的。然后将学习到的核先验分配给优化模糊核估计网络，其中包括基于网络的Langevin动态优化策略。这两种技术确保了核估计的准确性。DKP可以轻松地用来替换现有方法中的核估计模型，例如Double-DIP和FKP-DIP，或添加到现成的图像恢复模型中，例如扩散模型。在本文中，我们将我们的DKP模型与DIP和扩散模型相结合，分别称为DIP-DKP和Diff-DKP，进行验证。对高斯和运动核情景的广泛模拟表明，所提出的DKP模型可以显著提高核估计，具有可比的运行时间和内存使用，从而导致最先进的BSR结果。代码可在https://github.com/XYLGroup/DKP上找到。

本论文旨在提出一种无监督、无需预训练的学习算法，解决盲超分辨率问题。

本文提出的动态核先验模型（DKP）通过随机核分布的马尔科夫链蒙特卡罗采样过程，自适应地学习动态核先验，实现实时核估计，进而实现优越的高分辨率图像恢复性能。通过优化模糊核估计网络，DKP可以轻松替换现有方法中的核估计模型，如Double-DIP和FKP-DIP，或添加到现成的图像恢复模型中，如扩散模型。

本文的亮点包括：提出了一种无监督、无需预训练的学习算法；通过马尔科夫链蒙特卡罗采样过程，自适应地学习动态核先验，实现实时核估计；通过优化模糊核估计网络，DKP可以轻松替换现有方法中的核估计模型，如Double-DIP和FKP-DIP，或添加到现成的图像恢复模型中，如扩散模型；在高斯和运动核情况下进行的广泛模拟表明，所提出的DKP模型可以显著提高核估计，具有可比的运行时间和内存使用，从而实现了最先进的盲超分辨率结果。

在这个领域中，最近的相关研究包括Double-DIP和FKP-DIP等方法。