RealSR2019
paper:https://arxiv.org/abs/1904.00523
code:https://github.com/Alan-xw/RealSR
针对问题：
原始的数据集中HR-LR对的获取，通常使用对高分辨率图像（HR）进行Bicubic 降采样，或者加入高斯白噪声。然而，真实低分辨率图像（LR）的降质过程不可知，导致这种模拟数据集上的训练在真实场景下超分效果不好。
主要贡献：
-
新的 Benchmark 数据集 RealSR dataset,包含同场景下成对的 LR-HR 数据集，由变焦数码进行拍摄经过后期处理得到。
-
提出了一个新的超分辨率算法**LP-KPN：基于拉普拉斯金字塔的核预测网络。**它能够有效地学习 per-pixel kernel（像素卷积核） 用于高分辨率图像的重建。
-
解释透镜成像原理, 表明可以通过调整焦距获得lr 和hr 图像对
-
用相机拍摄调整焦距的方法得到hr 和lr. 使用最大焦距拍摄的图像生成真实 HR 图像，使用其他三个焦距拍摄的图像生成 LR 版本。
-
相机设置:白平衡,ISO,三脚架配置等
-
室内外场景选取.
镜头的变焦带来了许多不可控的变化，因此很难获得逐像素对齐的图像对.在不同焦距下拍摄的图像会遭受不同的镜头畸变，并且通常具有不同的曝光度。镜头的固有缺陷，在变焦焦距时，光学中心也会发生偏移。难以从获取的图像中剪切出好的图像对.
图像配准算法逐步对齐这些图像. 迭代估计光照调节参数, 和放射变化参数等.
Laplacian Pyramid based Kernel Prediction Network
-
基于YCbCR的Y通道.
-
The backbone of our LP-KPN consists of 17 residual blocks, with each residual block containing 2 convolutional layers and a ReLU function.输入后下采样4倍.
-
中间的卷积层相对于几个尺度核 参数共享, 最后的几层上采样不同.
-
使用的L2 loss
1.对比了不同模型在RealSR和模拟的数据集 训练的结果. 包括各项指标和视觉质量.
2.验证提出的LP-KPN网络的有效性. 在RealSR数据集上训练,和其他模型对比.
其中包括,直接像素合成网络direct pixel synthesis (DPS) network, 四个核预测网络, 提出的核预测网络 对比
3.跨相机实验.验证在一台相机上训练的 SISR 模型可以很好地推广到另一台相机。 可能由于RealSR 数据集包含由相机镜头和图像形成过程产生的各种退化，它们在相机之间具有相似的属性。
4.其他图上的测试, 没有hr, 对比生成的视觉效果.