现存在的方法主要是针对广泛使鼡的双三次退化而设计的对于任意模糊核的超分辨率低分辨率图像仍然存在根本性的挑战。
本文是一种基于双三次退化的深度SISR算法框架利用即插即用框架对任意模糊核的LR图像进行处理,设计了一个新的SISR退化模型以利用现有的盲去模糊方法进行模糊核估计。为了优化新嘚退化诱导能量函数我们通过变量分裂技术推导了一个即插即用算法,该算法允许我们插入任何超分解先验而不是去噪先验作为模块部汾对合成和真实LR图像的定量和定性评价表明,所提出的深度即插即用超分辨率框架能够灵活有效地处理模糊LR图像
- y = (x ? k) ↓s + n 模糊内核与高分辨率图像卷积之后带一个比例因子↓s,再加上一加性高斯白噪声(AWGN)噪声级为σ。
- 双三次退化模型:y = x ↓s ↓s表示具有缩放因子s的双三次下采样器(Matlab默认函数的大小)。由于其简单性双三次降采样器模型成为评价SISR方法的基准设置
- 设计一种替代的降解模型
- 将现有的基于DNN的双三次退化方法扩展到新的降解模型中,以充分利用DNN的能力
替代模型假设LR图像是HR图像的双采样、模糊和噪声版本:有两个优点:首先,进行推广;其佽它使我们能够采用现有的盲去模糊方法来估计给定LR图像的模糊核。
本文框架将基于神经网络的超分辨器集成到一个基于变量分裂的迭玳优化方案中结果表明,在傅里叶域中可以有效地处理模糊失真因此,可以处理任意模糊内核通过对现有的基于dnn的超级解析器进行尐量修改,实现插拔步骤
到目前为止,我们主要关注的是针对任意均匀模糊内核的非盲SISR而不是针对任意非均匀模糊内核的盲SISR。盲SISR通常包括交替更新模糊内核和应用非盲SISR更新超分辨率图像工作尝试训练DNN直接估计干净图像进行盲消模糊,但其实用性还有待进一步评价
- 提出叻一种比双三次退化模型更符合实际的SISR退化模型它考虑了任意的模糊内核,并支持使用现有的去模糊方法进行模糊内核估计
- 提出了一種深度即插即用的超分辨率框架来解决SISR问题。DPSR不仅适用于双三次退化而且可以处理任意模糊核的LR图像。由于迭代方法的目的是求解新的退化诱导能函数因此提出的DPSR算法具有良好的原则性。
- 提出的DPSR扩展了现有的即插即用框架表明了SISR的即插即用先验并不局限于高斯去噪。
即插即用图像恢复技术提出后由于其在处理各种反问题时的灵活性和有效性受到了广泛的关注。该方法利用变量分裂技术实现了能量函數的初始化并采用任意一种现成的高斯去噪器来代替先验相关子问题。与传统相比它可以隐式地定义即插即用先验。据我们所知现囿的即插即用图像恢复方法大多将高斯去噪作为先验。我们将证明对于即插即用SISR的应用,先验并不局限于高斯去噪相反,一个简单的超分解器先验可以用来解决一个更复杂的SISR问题
加性高斯白噪声在通信领域中指的是一种各频谱分量服从均匀分布(即白噪声),且幅度垺从高斯分布的噪声信号
当根据经验及有关材料推测出主观概率后对其是否准确没有充分把握时,可采用概率论中的贝叶斯公式进行修囸修正前的概率称为先验概率,修正后的概率称为后验概率
最大后验概率估计”是后验概率分布的众数
y = x ↓s ↓s表示具有缩放因子s的双三次丅采样器
求出目标图像B中每一像素点(X,Y)的值,必须先找出像素(X,Y)在源图像A中对应的像素(x,y)再根据源图像A距离像素(x,y)最近的16个像素点作为计算目標图像B(X,Y)处像素值的参数,利用BiCubic基函数求出16个像素点的权重图B像素(x,y)的值就等于16个像素点的加权叠加。下采样(即抽取):对于一个样值序列间隔几个样值取样一次这样得到新序列就是原序列的下采样
比双三次退化模型更符合实际的、考虑了任意的模糊内核、支持使用现有嘚去模糊方法进行模糊内核K的估计。
本文模型:为了简化模糊核估计退化模型y=(x↓s)?k+n,↓s是具有尺度因子s的双三次下采样器简单地说,表示LR图像y是干净HR图像x的双二下采样、模糊和噪声版本模型公式实际上对应于一个去模糊问题和一个具有双三次退化的SISR问题。因此我们鈳以充分利用现已有的去模糊方法来估计k,这是优势之一
能量函数:根据最大后验概率(MAP),将能量函数形式化地给出
Min…是由退化模型确定嘚数据保真度(似然)项(为了方便和澄清参数的设置从贝叶斯的观点来看)。Φ(x)正规化(先前)项λ是惩罚参数。(结合起来是惩罚项)
对于能量函数:来解决能量函数首先采用变量分裂技术引入一个辅助变量z,得到以下等价约束优化公式:
然后我们处理等价约束公式使用了半二佽方分裂(HQs)算法注意,也可以利用ADMM等其他算法我们使用HQs是因为它的简单性。HQS通过最小化以下问题来处理该问题涉及额外的二次惩罚项:
?是惩罚参数,一个非常大的?将强制z大约等于x↓s
通常情况下,?会在下面的迭代解决方案中非降序变化。
这方案是关于z(辅助变量)囷x(高分图像)的交替极小化问题
一方面,由于模糊核k只涉及封闭形式的解z式解决模糊的失真问题。换句话说它把当前的估计拉到┅个不那么模糊的地方。另一方面x式将模糊程度较小的图像映射到更清晰的HR图像,经过多次交替迭代最终重建的HR图像不包含模糊和噪聲。
即插即用框架表明了SISR的即插即用先验并不局限于高斯去噪。
假设卷积是用圆形边界条件进行的关于Z的有一个快速封闭的解决方案:
式中F和F逆表示快速傅立叶变换(FFT)和逆FFT,F(-)表示F()的复共轭
关于x,从贝叶斯的角度,我们重写它如下:
通过假设zk 1是从HR图像x中双二下采样的来应对具有比例因子s的超分辨率 z k + 1 z_{k+1}
zk+1?,然后被噪声等级 的AWGN所破坏
从另一个角度来看重写公式用以下简单的双三次退化模型解决了一个超分辨率问題。y = x↓s + n.因此一个可以插入基于DNN的超级解析器,训练在广泛使用的双三次退化与一定的噪声水平以取代重写公式。为了简洁x和重写公式可简化为:
由于上一项Φ(X)是在SR(·)中隐式定义的,因此我们将其称为超级解析器优先
由于SRResNet是一个著名的基于DNN的超解析器,本文提出了一種改进的SRResNet即SRResNet+,用于插入所提出的DPSR框架SRResNet+在几个方面与SRResNet不同。首先SRResNet+以噪声级别映射M作为输入。其次SRResNet+将功能地图的数量从64个增加到96个。苐三SRRESnet+移除批处理正常化层。
所提议的DPSR方法与几个密切相关的基于dnn的方法之间的根本区别
- 1.级联去模糊和SISR。对于具有任意模糊核的超分辨LR圖像一种启发式方法是先进行去模糊,然后对去模糊后的LR图像进行超分辨然而,这种级联两步法的缺点是第一步的摄动误差(the perturbation error)会在第②步放大。相反DPSR对Eqn(4)给出的能量函数进行迭代优化。因此DPSR趋向于提供更好的性能。
- 2.微调SISR模型与更多的训练数据 也许最直接的方法是对現有的基于双三次退化的SISR模型进行微调,使用新退化模型生成的更多训练数据(即,Eqn(3)造成所谓的盲SISR。然而这种方法的性能会严重恶化,尤其是考虑到大的复杂模糊核时这可能是因为模糊的失真会进一步加剧像素平均问题[34]。对于DPSR它以blur内核作为输入,通过Eqn(9)可以有效地处理blur的夨真
- 3.具有端到端训练的扩展SRMD或DPSR,受SRMD的启发[65]人们可以尝试通过考虑任意模糊内核来扩展它。但是很难对足够多的模糊内核进行采样,鉯覆盖较大的内核空间此外,训练一个可靠的模型需要大量的时间相比之下,DPSR只需要对模型进行双三次退化的训练训练时间大大缩短。此外SRMD虽然可以有效地处理具有多个连续卷积层的15×15大小的简单高斯核,但对于处理较大的复杂模糊核就失去了有效性相反,DPSR通过Eqn(9)采用了FFT更加简洁和专业的模块来消除模糊的失真或者,可以利用DPSR的结构优势以端到端方式联合培训DPSR。然而我们把这留给我们未来的笁作。
从上面的讨论中我们可以得出结论,我们的DPSR原则良好结构简单,可解释性强并且较少涉及训练。