Low-Res Leads the Way: Improving Generalization for Super-Resolution by Self-Supervised Learning

这项工作介绍了一种新的“低分辨率引领”（LWay）训练框架，将有监督的预训练与自监督学习相结合，增强SR模型对真实世界图像的适应性，从而弥合合成数据集和真实世界退化情况之间的差距。我们的方法利用低分辨率（LR）重建网络从LR图像中提取退化嵌入，将其与超分辨输出合并用于LR重建。利用未见过的LR图像进行自监督学习，引导模型适应目标域的建模空间，促进SR模型的微调，而不需要配对的高分辨率（HR）图像。离散小波变换（DWT）的整合进一步提高了对高频细节的关注。广泛的评估表明，我们的方法显著提高了SR模型在未见过的真实世界数据集上的泛化和细节恢复能力，优于现有方法。我们的训练方案具有通用兼容性，无需进行网络架构修改，是实际的真实世界SR应用的解决方案。

本论文旨在解决图像超分辨率问题中，模型在合成数据集和真实世界降质场景之间的性能差异问题，提出了一种新的训练框架来提高模型对真实世界图像的适应能力。

论文提出了一种名为“Low-Res Leads the Way”（LWay）的训练框架，将监督预训练与自监督学习相结合，利用低分辨率重建网络从低分辨率图像中提取降质嵌入，将其与超分辨率输出合并用于低分辨率重建，利用未见过的低分辨率图像进行自监督学习，引导模型将其建模空间适应目标领域，从而无需配对高分辨率图像即可进行超分辨率模型的微调，同时采用离散小波变换进一步提高高频细节的重建效果。

论文的实验结果表明，该方法显著提高了模型在未见过的真实世界数据集上的泛化和细节恢复能力，优于现有方法。该训练方案普适性强，无需修改网络结构，是实际应用于真实世界超分辨率问题的实用解决方案。

最近的相关研究包括：《Deep Learning for Single Image Super-Resolution: A Brief Review》、《Real-World Super-Resolution via Kernel Estimation and Noise Injection》等。