罗正雄：中科院自动化所智能感知与计算中心博士生，主要研究方向为图像超分辨率和人体姿态估计，目前已在ECCV、ICPR、NIPS上发表论文三篇。
报告题目：基于展开交替优化的盲超分算法
报告摘要：以往的盲超分算法将盲超分辨问题分解为两个步骤：一是根据给定的低分辨率图像估计模糊核，二是基于估计核的恢复超分图像。这两步走的解决方案涉及两个独立训练的模型，它们可能彼此不太兼容。即第一步估计误差即使很小，也会导致第二步的性能下降。另一方面，第一步只能利用低分辨图像中的有限信息，这使得预测高精度模糊核变得困难。针对这些问题，我们采用交替优化算法，可以在单个模型中估计模糊核和恢复超分图像，而不是单独考虑这两个步骤。具体地，我们设计了两个卷积神经模块，即超分模块和估计模块。超分模块基于预测的模糊核恢复超分图像，估计模块利用恢复后的超分图像估计模糊核。我们交替使用这两个模块，并展开这一优化过程，形成一个端到端的可训练网络。以这种方式，估计模块可以利用低分辨率图像和超分图像的信息，使得模糊核的估计更容易。更为重要的是，超分模块和估计模块可以同步训练，使得超分模块就可以对模糊核估计误差更鲁棒。在合成数据集和真实图像的大量实验表明，该模型在很大程度上优于最新的方法。源代码地址： https://github.com/greatlog/DAN.git。
Spotlight：
我们使用交替优化算法，同步求解盲超分问题中的模糊核和超分图像，使得超分模块和模糊核估计模块可以在一个网络里优化，让他们彼此更加兼容。
我们设计了两个卷积神经网络来分别求解模糊核和超分图像，他们可以交替使用来形成一个端到端的网络。这也是第一个可以端到端求解盲超分问题的网络。
在合成数据和真水数据上的实验都表明，我们的方法有更好的结果。
1. Bayesian Image Super-Resolution
推荐理由：该论文从概率论的角度对盲超分问题做了较为严谨的建模，可以帮助我们加深对盲超分问题的理解。
2. Nonparametric Blind Super-Resolution
推荐理由：该论文对图像的降质过程做了建模，并依赖这一模型提出了一种不依赖成对数据求解模糊核的方法。这一方法对我们认识图像降质过程很有帮助。
3. Deblurring Text Images via L0-Regularized Intensity and Gradient Prior
推荐理由：该论文使用L0正则项来做模糊核估计，取得了不错了效果，是盲超分中经常用来做模糊核估计的算法。
4. Deep Unfolding Network for Image Super-Resolution
推荐理由：作者Kai Zhang提出了一系列非盲超分算法，可以根据给定的模糊核求解超分结果。该论文是Kai Zhang最CVPR2020最新的关于非盲超分的论文。
5. Blind Super-Resolution Kernel Estimation using an Internal-GAN
推荐理由：该论文提出了一种使用对抗训练的做模糊核估计的方法，和其他的非盲超分方法结合可以取得比较好的效果。该论文还给出了一个自己的盲超分测试数据集，可用作benchmark。
6. Blind Super-Resolution With Iterative Kernel Correction
推荐理由：该论文提出了一种盲超分算法，使用了三个模型，虽然方法比较繁琐，但是能取得很不错的效果。论文也给出了自己的盲超分测试数据集，可用作benchmark。
