2019 sigraph论文，只看懂了一些皮毛，有不足请指正。其出发点是，估出不准确的核会导致SR的结果也是不准确的，因此，需要估出一个准确的核，这里通过在HR空间下进行误差调整实现估核。即，先提供一个初始LR和初始核，然后通过两者得到一个SR图像，并通过一个核判别器去分析估计的核对于生成结果的误差。最后，通过最小化核估计误差进行优化，从而得到较为准确的估计核和SR图像。整体的pipeline如下所示:
可以看出，核k首先被映射到空间q上，通过网络F实现，F是一个两层的全连接网络。当然这个核k也可以是空间各异的。超分辨网络也就是图中的Fg，是一个通用的超分辨网络，其同时输入核q和图Il，输出通过与I做l1 loss，对网络进行优化，当然这种训练只能针对于核k已知的情况。
当核未知时，上面提到的方法可以合成一个原始的SR结果。不准确的核会导致结果出现artifacts，所以这里提出一个核判别器Fd。Fd输入是q，Il和Fg的最后一层feature map，输出是残差结果，因此如上图所示，最小化估计核的残差和GT的残差，是Fd的loss。
因此，整体的优化就是要优化估计的核k，直接要估计的就是降质map q，主要通过对核空间进行遍历得到。当然这个过程是很慢的，本人在1080ti上inference这篇论文的预训练模型，发现速度慢的惊人。论文的部分的结果如下所示:
具体细节可直接参考论文。