1. Deep Unfolding Network for Image Super-Resolution
1.概述
this paper proposes an end-to-end trainable unfolding network which leverages both learning based methods and model-based methods.
退化模型：
本文提出的USRNet可以有效地处理经典的退化模型(即等式(1))。可以通过单一模型处理不同的模糊核、尺度因子和噪声水平。另一方面，与基于学习的方法类似，USRNet可以以端到端的方式进行训练，以保证有效性和效率。
2.求解bicubic degradation kernel
x是hr图像，与k(要求解的approximated bicubic kernels)卷积后，然后下采样，然后与y(lr图像)建立损失，求解k.
其中求得得kernel会有一点偏移，因为 下采样是从一个patch的左上角开始采的。公式2先卷积再下采样，但是下采样的方式是取左上角的pixel(2x2的左上角，3x3的左上角，4x4patch的左上角等)然后与y建立损失，所以会有偏移。如果下采样的方式是取中间，k应该不会偏移，但是2x2，4x4的下采样没有中间的pixel,可能因此作者下采样一律取左上角。
3.超分模型原理
然后转变成利用深度学习网络求解。
具体可以参考论文原文和下面的连接：
https://www.cnblogs.com/froml77/p/14453391.html
https://zhuanlan.zhihu.com/p/649886556
https://blog.csdn.net/matrix_space/article/details/129974382
4.实验结果
实验效果是挺好的
而且中间的迭代过程也说明有效：
有一点需要注意的是，实际的图像的kernel，noise level, s都是未知的，需要自己估计。怎么应用在实际中呢？
5.代码
https://github.com/cszn/USRNet
