主要观点总结
本文介绍了一种基于元学习和马尔可夫链蒙特卡罗核估计的盲超分辨率方法。该方法结合了MCMC模拟和元学习训练，实现了卓越的核估计，无需任何监督预训练或参数先验。
关键观点总结
关键观点1: 方法概述
采用轻量级网络作为核生成器，通过从随机高斯分布的MCMC模拟中学习进行优化，引入网络级朗之万动力学，提出基于元学习的交替优化程序。
关键观点2: 创新点
建立了基于随机高斯分布的MCMC模拟模型，考虑了LR图像重建误差；实现了基于学习但即插即用的核先验生成范式；引入了网络级朗之万动力学优化；构建了基于元学习的自适应策略解决盲SISR问题。
关键观点3: 实验结果
所提出的方法在性能指标和可视化效果上取得了优于其他无监督方法和大多数基于深度学习的监督方法的性能。与最先进的方法相比，具有竞争力的参数数量、运行时间和内存使用量，以及对噪声的鲁棒性。
关键观点4: 应用前景
所提出的方法可扩展应用于更多退化模型，如压缩伪影、去雨和阴影去除等。可与更先进的预训练SR模型结合，提高性能。为解决盲图像恢复任务提供了新的方向。
关键观点5: 投稿通道
鼓励高校实验室或个人在PaperWeekly平台上分享各类优质内容，原创首发稿件将提供业内具有竞争力稿酬。
文章预览
©PaperWeekly 原创 · 作者 | 杨志雄 单位 | 国防科技大学博士生 研究方向 | 智能图像处理 导言 近年来，基于深度学习的方法在盲单图像超分辨率（SISR）任务中取得了巨大成功。然而，现有方法通常需要手工设计的先验和基于有监督学习的先验。基于模型方法通常存在着不适定性和盲 SISR 问题的非凸性，在优化过程中通常会陷局部模式。基于学习方法在实际应用中仍然受到对训练样本的高度数据依赖和模型训练的专用时间消耗的限制。 在本文中，我们提出了一种基于元学习和马尔可夫链蒙特卡罗核估计的 SISR 方法采用轻量级网络作为核生成器，并通过从随机高斯分布的 MCMC 模拟中学习进行优化。该过程为合理的模糊核提供了近似值，并在 SISR 优化过程中引入了网络级朗之万动力学，这有助于防止核估计出现不良局部最优解。 同时，提出了一种
………………………………
