FKP（flow-based kernel prior）；出处：CVPR 2021
contribution
real-world的degradation既复杂且未知。现有的degradation estimation方法很耗时而且可能估错。
- 这篇文章无监督隐式地学习degradation representation（通过对比学习：假设同一图像内的退化一致；不同图像的退化不一致），进一步在表征空间区分degradation。
- 再有监督地训练SR网络DASR，输入是LR和前面得到的degradation representation。从而适应到不同的degradation。
方法
unsupervised degradation representation learning
目的是获取LR的判别式表示。以由同一种degradation生成的图像Patch为正样本（同一、不同图像，同一degradation）,不同degradation的patch为负样本，以获得与内容无关的degradation representation。
中间得到的degradation representations再通过两层MLP（SimCLR, MocoV2）
loss：
其中$\tau$是超参。
对比学习关键：a large dictionary covering a rich set of negative samples.
degradation-aware SR network
参照RCAN；loss是L1
2个DA层（紫框）
对于DA卷积层，1）退化表征首先经过两个FC层，学习到基于退化表示的深度卷积核w，然后结合图像特征F，经过1*1卷积层，获得特征F1；2）受到CResMD[2] 启发（使用控制变量来重新缩放不同的C以处理多种降级），退化表征通过两个FC层以及一个激活层后，生成逐通道调制系数v，结合图像特征F，获得特征F2。最后DAblock的输出由F1加上F2生成
现有的方法通常把image features与degradation representations 合在一起concat，但这二者之间存在domain gap。
实验
- noise-free degradation model + isotropic Gaussian kernel
- anisotropic Gaussian kernels and noises
- real-world degradations
Gaussian kernel：21$\times$21，σ were set to [0.2,2.0], [0.2,3.0] and[0.2,4.0] for ×2, 3, 4 SR
Anisotropic Gaussian kernels characterized by a Gaussian probability density function N(0; Σ)
The covariance matrix Σ was determined by two random eigenvalues λ1; λ2 ∼ U(0:2; 4) and a random rotation angle θ ∼ U(0; π). The range of noise level was set to [0; 25]
patch size: 48 $\times$ 48
先训练degradation encoder 100个epochs, 再训练整个网络500 epochs。
DASR trained on isotropic Gaussian kernels is used for evaluation on real images
