基于混合概率退化建模的真实世界盲图像超分辨方法研究

《Knowledge-Based Systems》：Real-World Blind Image Super-Resolution with Mixed and Probabilistic Scheme based Synthetic Degradation Pipeline

本文提出了一种创新的混合概率退化管道，通过结合人工经验分布与机器学习分布，构建了更贴近真实场景的退化空间。该方法采用循环自约束框架实现真实噪声迁移，通过高斯分布映射学习模糊核生成，并引入概率机制实现退化模式选择与循环增强，显著提升了盲超分辨（Blind SISR）模型在真实医疗影像、卫星图像等领域的泛化能力。

　　

章节精选

非盲超分辨（Non-blind SISR）

基于理想退化（如双三次下采样）的超分辨研究取得了显著进展。非盲超分辨主要聚焦于网络结构设计，用于学习已知退化域与清晰域之间的映射关系。这些优秀方法为网络设计提供了重要经验，例如基于卷积的方法[4,5,26]、基于Transformer的方法[27]、基于扩散的方法[28]以及结合卷积的方法。

退化管道

与先前工作不同，我们提出将基于人工经验的退化分布与基于机器学习的退化分布相混合，以构建更具泛化能力的复杂空间（如图2所示）。其中，基于人工经验的退化仅能覆盖可通过退化函数显式表示的场景。基于机器学习的退化通过特定真实样本学习分布，可能无法涵盖所有真实场景，但能处理难以显式表达的复杂退化。

超分辨网络

本研究旨在设计一种新颖的图像退化管道——基于混合概率机制的合成退化管道，以更精确地模拟真实世界低分辨率图像。使用该管道可构建伪真实配对数据集，用于主流超分辨网络的监督训练，包括BSRGAN¹、Real-ESRGAN²、SwinIR-GAN³等。

实施细节

我们在五个主要数据集上开展实验，包括NTIRE2018的track2和track3、PolyU、DIV2K、Flickr和OST训练集。所用数据集如表格4所示，与测试数据集RealSR-Canon、RealSR-Nikon、DRealSR、DPED-iphone和OST-300无重叠部分。

我们的方法使用PyTorch实现，并在NVIDIA RTX 3090 GPU上训练。由于本研究旨在提升图像的视觉感知质量，

结论

我们提出了一种结合混合概率方案的真实世界图像超分辨合成退化管道。该管道整合了基于人工经验和基于机器学习的退化分布。人工方法融入经验知识以显式建模退化，适用于简单退化空间；而机器学习方法通过隐式学习真实退化分布，能够处理复杂场景。通过循环退化增强和概率机制，进一步扩展了合成退化空间，为盲超分辨任务提供了更有效的训练数据。

未来方向与局限性

提出的基于机器学习的退化方法从具有单一噪声或模糊退化的特定真实样本中学习分布，可能无法覆盖完整的真实世界分布。虽然应用提出的混合概率方案退化管道取得了更好结果，但扩展退化分布空间的最佳策略仍是学习更多数据。在未来工作中，我们将纳入更多样本以提升泛化能力。