2020 nips，做盲超分辨。针对之前方法存在的问题，即只从LR里估核，然后借助估出的核去进行超分辨率，这样会导致估出的核误差会在超分辨被累计，且估核的过程并没有利用SR的结果，从而导致估核的结果是不准确的。这里，论文使用Estimator借助LR和SR去估核，而Restorer则使用估核的结果去进行SR。两者之间的过程是迭代进行的，整体流程图如下所示:
一般迭代核的公式如下所示:
可以看出估核的过程是依赖于SR和LR的。因此如上图所示，论文首先对核进行初始化，然后进行pca并送入到SR网络里，只在最后使用L1 loss对核和SR结果进行约束，这里设定的迭代次数是4。估核和SR网络具体实现如下图所示:
可以看出，估核网络使用LR和SR作为输入，其中SR作为条件输入，即不同迭代时输入不同的SR。同理，SR网络使用LR和核作为输入，其中核作为条件输入。由于SR大小和LR大小不一样，这里使用卷积进行降采样。条件特征和基本特征融合的方式是concat操作。
论文的结果还是比较惊艳的，本人已使用其pretrain的代码作为自己科研里的baseline，效果非常棒，贴一个论文的结果图，具体详细情况见论文。
