现代数码相机和智能手机主要依赖于图像信号处理(ISP)管道,从而产生逼真的彩色RGB图像。然而,与DSLR相机相比,由于其物理限制,在许多便携式移动设备中通常可以在许多便携式移动设备中获得低质量的图像。低质量的图像具有多种降级,即,由于相机滤色器阵列,由于相机滤色器阵列,由于较小的摄像机传感器而导致的低分辨率,磁割模式,并且其余信息因噪声损坏而导致的镶嵌图案。这种降级限制了从单个低分辨率(LR)图像中恢复高分辨率(HR)图像细节的电流单图像超分辨率(SISR)方法的性能。在这项工作中,我们提出了一种原始的突发超分辨率迭代卷积神经网络(RBSricnn),其作为前向(物理)模型的整体沿着突发拍摄管道。与现有的黑盒数据驱动方法相比,所提出的突发SR方案解决了经典图像正则化,凸优化和深度学习技术的问题。所提出的网络通过中间SR估计的迭代细化产生最终输出。我们展示了我们提出的方法在定量和定性实验中的有效性,这些实验概括为具有可用于培训的ONL合成突发数据的真实LR突发输入。
translated by 谷歌翻译