摘要

超分辨率（Super Resolution, SR）方法通常假设低分辨率（Low-Resolution, LR）图像由未知的高分辨率（High-Resolution, HR）图像通过一个固定的“理想”下采样核（如双三次下采样）生成。然而，在真实场景中的LR图像中，这一假设往往并不成立，与人工合成的SR数据集形成鲜明对比。当所假设的下采样核与真实情况存在偏差时，SR方法的性能将显著下降。这一问题催生了盲超分辨率（Blind-SR）——即在下采样核（“SR核”）未知的情况下进行超分辨率重建。已有研究表明，真实的SR核是能够最大化LR图像在不同尺度间图像块（patches）重复性的那个核。本文提出，可通过深度内部学习（Deep Internal Learning）实现这一强大的跨尺度重复性特性。为此，我们提出了“KernelGAN”——一种仅依赖于测试阶段输入的LR图像、无需外部训练数据的图像自适应内部生成对抗网络（Internal-GAN）。KernelGAN在测试时仅基于待处理的LR图像进行训练，学习其内部图像块的分布特征。其生成器（Generator）被训练以生成一个下采样版本的LR图像，使得判别器（Discriminator）无法区分该下采样图像的图像块分布与原始LR图像的图像块分布之间的差异。训练完成后，生成器即构成了具有正确图像特定SR核的下采样操作。KernelGAN完全无监督，仅需输入图像本身作为唯一数据源，无需额外训练数据。当将其集成至现有的SR算法中时，可显著提升盲超分辨率的性能，达到当前最先进的水平。