论文 (PDF) Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels
源码：
GitHub - cszn/DPSR(CVPR, 2019) (PyTorch) https://github.com/cszn/DPSR
首先，对Eqn给出的双三次退化模型进行了推广.(2)。第二，它使我们能够采用现有的盲去模糊方法从给定的LR中估计模糊核。 图像。为了将基于dnn的sisr方法扩展到新的退化模型中，我们提出了一种基于dnn的超分辨率(Dpsr)框架。 基于变量分裂的迭代优化方案。
结果表明，模糊失真可以在傅里叶域得到有效的处理。因此，可以处理任意的模糊核，这是本文的主要目标之一。此外，与现有的即插即用框架[13]不同，后者通常是即插即用的。 将现成的高斯去噪器作为模块部分，采用现有的任何基于dnn的超解析器，只需稍作修改即可实现插入步骤。
值得强调的是，我们主要关注任意均匀模糊核的非盲SISR，而不是任意非均匀模糊核的盲SISR。一方面，非盲妹妹 r对于盲SISR非常重要，通常包括更新模糊核和应用非盲SISR对超分辨图像进行更新。而最近的一些工作试图训练DNN。 为了直接估计出用于盲消模糊的清洁图像，需要对其实用性进行进一步的评价。另一方面，虽然不均匀的模糊内核往往是一个更现实的假设。 它太复杂了，仍然是图像去模糊的一个难题[31]。事实上，任意的均匀模糊核假设已经是比简单的biu更好的选择。 用于实际应用的BIC内核。简单地说，我们的工作是从现有的基于双三次退化的SISR到最终的盲SISR的一个有价值的中间步骤。