Unified Dynamic Convolutional Network for Super-Resolution in Variational Degradations Analysis

论文地址：https://arxiv.org/abs/2004.06965

总述：在单图像超分辨率研究方向，当前学者通常仅关注某一特定的退化机制（例如双线性下采样），或者综合多种退化机制，以更贴近现实场景中的图像降质现象。然而，多数已有研究采用固定模式整合不同退化过程，或针对各类退化分别训练神经网络。相比之下，更为理想的方式是构建一个模型，使其能够应对更广泛且多样化的退化类型。基于此，本文提出了一种适用于多种降质类型的通用图像超分方法，该方法可有效处理inter-image（跨图像变化）和intra-image（空间变化）等多种降质情况。此外，作者引入了动态卷积模块 ，相较于传统卷积操作，该设计在应对复杂多样的退化类型方面展现出更强的适应能力。

介绍

当前，单图像超分辨率这一研究方向已引起广泛关注。超分辨率的核心目标是从低分辨率图像中重建出高分辨率图像，并在这一过程中恢复因退化而丢失的细节与纹理信息。现阶段，现有的超分技术大多仅针对单一的退化方式（例如双线性下采样）进行设计，然而此类方法难以准确模拟现实世界中复杂的退化过程；同时，也有部分研究者尝试探索基于多种降质因素的单图像超分方法，但这些方法通常依据不同的退化模型分别训练神经网络。**本研究在已有成果的基础上，提出了一种适用于多种降质场景的通用超分方法，能够有效应对图像内部及图像之间存在