图像超分辨率问题，也就是如何在低分辨率图像基础上得到更高分辨率的图像。对于不知道模糊核的盲超分辨问题，以往的方案通常是包含两个阶段：估计模糊核与恢复超分图像。本期讲者罗正雄提出了一种让超分模块和估计模块可以同步训练的方法，相对于传统方法具有较大提升。该工作发表于NeurIPS2020。

讲者介绍

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：