Unpaired Image Super-Resolution using Pseudo-Supervision

CVPR2020
解决的问题是当前的SR模型基于成对的数据，且其中LR的图片是通过HR经过bicubic下采样得到的，而实际图片的degradation过程更为复杂，且本文提出的方法不需要成对的HR-LR数据；
提出的模型包含两个部分：
 – correction network： L R → c l e a n L R LR\rightarrow clean\ LR LR→clean LR
 – SR network： c l e a n L R → H R clean\ LR\rightarrow HR clean LR→HR
 
Method 给出不成对的数据 x ∈ X , y ∈ Y x\in X,y\in Y x∈X,y∈Y，其中 X X X代表LR， Y Y Y代表HR，要学习的映射是 F X Y , X → Y F_{XY},X\rightarrow Y FXY​,X→Y，本文定义一个clean LR domain y ↓ ∈ Y ↓ y_\downarrow\in Y_\downarrow y↓​∈Y↓​，是由HR经过定义好的degradation得到的，是gaussian blur和down scale的结合；
 F X Y F_{XY} FXY​是 G X Y ↓ , U Y ↓ Y G_{XY_\downarrow},U_{Y_\downarrow Y} GXY↓​​,UY↓​Y​的结合
 L R → c l e a n L R LR\rightarrow clean\ LR LR→clean LR涉及模型： G X Y ↓ , G Y ↓ X G_{XY_\downarrow},G_{Y_\downarrow X} GXY↓​​,GY↓​X​
 c l e a n L R → H R clean\ LR\rightarrow HR clean LR→HR涉及模型： U Y ↓ Y U_{Y_\downarrow Y} UY↓​Y​，通过pseudo-clean LR来重建HR，其中pseudo clean LR为 y ↓ ∘ = G X Y ↓ ∘ G Y ↓ X ( y ↓ ) \overset{\circ}{y_\downarrow} = G_{XY_\downarrow}\circ G_{Y\downarrow X}(y_\downarrow) y↓​∘​=GXY↓​​∘GY↓X​(y↓​)
在实际推理的时候输入到 U Y ↓ Y U_{Y_\downarrow Y} UY↓​Y​的是 G X Y ↓ ( x ) G_{XY_\downarrow}(x) GXY↓​​(x)，所以在训练和推理的时候有gap， y ↓ ∘ ∼ G X Y ↓ ( x ) \overset{\circ}{y_\downarrow} \sim G_{XY_\downarrow}(x) y↓​∘​∼GXY↓​​(x)
损失函数：被训练的是generator和discriminator
 
 
 
 
 
 