RealSR真实场景超分

一、Camera Lens Super-Resolution

本文主要解决RealSR的数据问题，通过控制镜头到物体的距离产生成对的真实数据（Real paired SR data）。

（1）出发点

现有的超分方法通常采用合成退化模型，如双三次（Bicubic）或高斯降采样。

（2）主要工作

本文主要从真实成对数据获取方面解决RealSR问题。

为缓解现实成像系统中分辨率R和视场V之间的内在权衡，利用相机镜头的R-V退化，用于现实成像系统中的SR建模。
创建City100数据集，包含两种新的获取LR-HR图像对的策略，分别用来描述在单反相机和智能手机相机下的R-V退化。
利用实际数据对常用的综合退化模型进行定量分析。
一种有效的解决方案，即CameraSR，在现实成像系统中推广现有的基于学习的SR方法。

二、Zoom to Learn, Learn to Zoom

本文主要解决RealSR的数据问题，通过控制相机变焦，产生成对的真实数据（Real paired SR data）。

（1）主要工作

使用真实的高比特传感器数据进行计算缩放，相比于处理过的8位RGB图像或合成传感器模型更有效。
创建新的数据集，SR-RAW，他是第一个从原始数据超分辨率的数据集，具有光学地面真理。SR-RAW使用变焦镜头拍摄。用长焦距拍摄的图像作为较短焦距拍摄的图像的光学真实。
提出了一种新的上下文双边损失(CoBi)处理轻微失调的图像对。
CoBi通过加权空间意识来考虑局部上下文相似性。

（2）不同焦距产生的图像

（3）数据对齐问题（Misalignment Analysis）

（B1）角度偏差；（B2）景深偏差；（B3）对齐偏差

为解决以上问题，本文提出上下文双边损失（Contextual Bilateral Loss）。

三、Toward Real-World Single Image Super-Resolution: A New Benchmark and A New Model （ICCV2019）详细介绍

（1）主要工作

本文通过镜头变焦+图像配准建立数据集RealSR。
提出拉普拉斯金字塔核预测网络（Laplacian pyramid based kernel prediction network (LP-KPN)）解决RealSR问题。

（2）数据收集

物距、像距、焦距示意图：
图像配准

为了获得精确的图像对配准，本文设计了一种同时考虑亮度调整的像素级配准算法（pixel-wise registration algorithm ）。

（3）KPN结构

分三层进行核（kernel）预测，目的是减少计算量、增大感受野。

四、Frequency Separation for Real-World Super-Resolution（ICCV2019）

本文利用GAN合成跟接近于真实场景下的LR-HR图像对，然后利用该数据训练SR模型，在Real-World数据上获得了较好的重建结果。

（1）出发点

真实场景数据更为复杂，现有模型在真实数据上的泛化能力较差。

（2）主要工作

利用GAN生成更接近于真实场景的LR-HR图像对，以用于SR模型的训练。
-在ESRGAN基础上加入频域分离（Frequency Separation）技术，构建RealSR模型。

（3）频域分离

（4）利用GAN生成真实LR数据

生成器：低频颜色损失+高频对抗损失+纹理损失
判别器：高频判别损失

（5）ESRGAN-FS（Frequency Separation）

在ESRGAN中加入频域分离。

五、Kernel Modeling Super-Resolution on Real Low-Resolution Images （ICCV2019）

（1）主要工作

利用Blur-Kernel Estimation算法从真实图像中估计出真实图像的模糊核（realistic blur-kernels），建立模糊核集合K。
借助K中的模糊核，利用WGAN-GP学习模糊核的分布，并生成更多的模糊核，然后建立模糊核池（blur kernel pool）K+。
利用K+中的模糊核将高分辨率图像转换为接近于真实场景的低分辨率图像，从而构建训练数据。

(2) Blur-Kernel Estimation

该模糊核估计方法出自论文：Blind Image Deblurring Using Dark Channel Prior

真实LR利用Bicubic上采样
提取图像块p，由于缺乏高频细节的块(如从天空、墙壁等提取的块)的模糊核估计算法可能会失败，所以p需要满足以下条件：
利用模糊核估计算法估计p的模糊核，模糊核k通过以下公式求解（详细过程见上述参考文献）：

（3）Kernel Modeling with GAN

利用WGAN-GP生成更多的模糊核，创建模糊核池K+。WGAN-GP见WGAN-GP详细过程。

（4）Super-Resolution with CNN

由高分辨率图像创建训练数据集：
训练模型：

六、Learning to Zoom-in via Learning to Zoom-out: Real-world Super-resolution by Generating and Adapting Degradation （CVPR2020）

本文主要思想为利用CycleGAN生成更接近于真实场景的LR-HR图像对。

（1）出发点

现有方法利用各种手段努力获取跟接近于真实的成对的LR-HR图像对（如相机调焦等），但是这些方法采集到的图像对存在各种各样的不对齐情形。

（2）主要工作

首先利用CycleGAN训练一个退化生成网络来生成真实的LR图像，尽量减小生成数据与真实数据之间的差异。
设计自适应退化超分网络用于真实图像的超分。

（3） Degradation generation network

外圈红色为合成数据；内圈蓝色为真实数据
G(.)用于将图像由合成域（ synthetic domain）向真实域（realistic domain）转换；F(.)用于将图像由真实域（realistic domain）向合成域（ synthetic domain）转换。
左侧判别器Dsyn用于判别是否为合成数据；左侧判别器Dreal用于判别是否为真实数据；
循环一致损失用于保证图像内容不变。
损失函数：
生成器：两个循环一致损失+两个对抗损失
判别器：两个判别损失

（4）Degradation Adaptive SR Network

损失函数主要包括两部分：

常规GAN损失：L1损失+相对对抗损失
这两个损失用来保证内容的准确性
自适应退化损失
作者认为，尽管Degradation generation network已经解决了LR的domain gap问题，但还是很难达到理想的情况。所以作者在此
又加入了两个域判别器（domain discriminator）：

总体的损失函数为：

七、Guided Frequency Separation Network for Real-World Super-Resolution（CVPRW2020）

本片文章与前边介绍的文章有很多相似之处，分两部分：domain transformation 和super-resolution.

（1）Domain transformation

生成器损失函数（上图最下方的三个损失）：低频内容损失+感知损失+高频域转换对抗损失

（2）SR

生成器损失（上图右上角两个损失）：高频内容对抗损失+内容损失+边缘损失（canny）

八、Blind Super-Resolution Kernel Estimation using an Internal-GAN （KernelGAN，NIPS2019）

本篇文章提出来一种无监督盲超分方法。
该方法可以理解为是对ZSSR（Zero-Shot SR）的改进。ZSSR利用bicubic进行下采样降质，然后完成无监督超分，但是该方法是非盲的；而本文主要的工作是利用GAN学习自身分布，从而得到更真实的降质图像。所以本文的关注点为：如何更好地完成图像降质过程。

本文方法包含两个过程：

利用kernelGAN估计输入图像的降质kernel并得到其所对应的降质图像；
得到成对图像，利用ZSSR完成无监督超分。

（1）KernelGAN:

kernelGAN详细介绍

九、Real-World Super-Resolution via Kernel Estimation and Noise Injection（CVPRW2020-RealSR冠军）

本片文章思想类似于Kernel Modeling Super-Resolution on Real Low-Resolution Images （ICCV2019），不同之处为：
1、本文利用kernelGAN预测模糊核

（1）主要工作

本文作者认为真实世界超分辨率的关键问题是引入精确的退化方法，以保证生成的低分辨率图像与原始图像具有相同的域属性，所有本文的主要工作为：

提出了一种新的在真实环境下的退化框架RealSR，为超分辨率学习提供了逼真的图像。
通过估计核和噪声，我们探索了模糊和噪声图像的具体退化。

（2）Kernel Estimation and Downsampling

利用KernelGAN来估计真实图像的模糊核，估计的模糊核满足以下约束：

(3)Noise Injection

通过注入噪声到降采样图像中，以生成真实的LR图像。噪声ni满足以下约束：

（4）图像退化总体流程

十、Towards Real Scene Super-Resolution with Raw Images （CVPR2019）

本文首先通过模拟数码相机的成像过程来生成真实的训练数据，然后直接利用原始RAW数据进行重建。

（1）出发点

缺乏真实的训练数据
输入信息的丢失

（2）主要工作

合成更接近于真实场景的训练数据。
提出双向网络架构（dual network）来利用原始数据（Raw数据）和彩色图像（RGB）来实现真实场景的超分辨率。此外，还提出学习空间变化的颜色变换（spatial-variant color transformations）以及特征融合（feature fusion）以获得更好的性能。

（3）Raw数据

Raw与彩色图像的关系：

Raw数据的优势：
Raw数据拥有更多的信息可以利用，因为它们通常是12或14位，而颜色像素由ISP产生通常是8位。
原始数据与场景亮度成正比，而ISP包含非线性操作，如色调映射。因此，成像过程中的线性退化，包括模糊和噪声，在处理后的RGB空间是非线性的，这给图像恢复带来了更多的困难。
ISP中的镶嵌步骤与超分辨率高度相关，因为这两个问题都与相机的分辨率限制有关。
因此，用预处理图像（RGB图像）来解决超分辨率问题是次优的，可能不如用一个统一的模型同时解决这两个问题（IPS问题与超分问题）。

(4)合成训练数据

为了获得更接近于真实场景的图像，采用以下方式合成训练数据：

（5）网络结构

上路分支利用输入raw数据重建RGB图像的纹理结构信息（raw数据缺乏颜色亮度信息）；
下路分支利用彩色图像对上路图像进行颜色校正。

1、重建分支：
首先将原始数据Xraw划分成四个通道，分别对应于R、G、B、G，然后利用U-Net结构提取特征并上采样，最后重建为RGB三通道。

2、颜色校正分支
利用CNN去估计pixel-wise transformation：

然后对逐个像素进行颜色校正：