摘要

盲超分辨率（Blind Super-Resolution, SR）方法旨在从包含未知退化特征的低分辨率图像中恢复出高质量的高分辨率图像。然而，自然图像中存在多种类型和程度的模糊：部分模糊源于相机固有的退化特性，而另一些则可能是人为刻意添加的，以达到美学效果（例如背景虚化效果，即Bokeh效应）。在后一种情况下，超分辨率方法难以准确区分哪些模糊应被去除、哪些应予以保留，从而给图像恢复带来极大挑战。本文提出一种新型的盲超分辨率框架——基于核导向自适应局部调整（Kernel-Oriented Adaptive Local Adjustment, KOALA）的SR特征处理方法，命名为KOALAnet。该方法能够联合学习空间变化的退化核与恢复核，从而有效适应真实图像中空间变化的模糊特性。实验结果表明，KOALAnet在处理通过随机退化合成的低分辨率图像时，性能优于当前主流的盲超分辨率方法；更重要的是，对于包含人为模糊（如Bokeh效果）的艺术类照片，KOALAnet能够生成最为自然的恢复结果，有效避免过度锐化问题，尤其在同时包含清晰区域与模糊区域的图像中表现出色。