基于深度展开网络的超分去模 基于窗口的层间 Transformer

糊网络 超分去模糊网络

目标 为了使用单一网络同时解决单图像中的模糊和低分辨率问题

网络结构 深度卷积网络 Transformer

1. 基于窗口变换的
1. 基于深度展开网络端到端
点1 Transformer （局部特征｜减少
（超分）
参数）
2. 仿射网络估计空间模糊核 2. 层间的 Transfomer （全局特
点2
（去模糊） 征｜减少参数）
将最大后验估计与卷积神经网
利用层间的方式解决了
络结合起来，继承了最大后验
SwinTransformer 方式中无法获
的灵活性和卷积神经网络端到
网络特点 得全局模糊特征的缺陷，进一
 基于深度展开网络的超分去模 基于窗口的层间 Transformer
糊网络 超分去模糊网络
两个网络从不同的角度入手解决单图像的超分去模糊问题。
论文 1 将最大后验估计和深度神经网络结合提出了深度展开网
络；仿射网络提取局部特性更优的模糊核。
论文 2 在 SwinTransformer 的基础上，从卷积神经网络的改进
总结 过程中获得新的思路（ MobileNet ），将层间训练的方式与
Transformer 结合。

论文 1 在提出时是在 SwinTransformer 之前，而论文 2 是在其

后，迅速利用了 Transformer 的特性进行进一步的改进。
1.2 国内外研究现状
1.2.1 单图像图模糊研究现状
1. 基于模糊核估计非盲去模糊
2. 基于卷积神经网络盲去模糊
multi-scale, SRN,...

1.2.2 单图像超分辨率研究现状
1. 基于最大后验估计超分辨率
2. 基于卷积神经网络超分辨率

1.2.3 Transformer 研究现状

1. Vit
2. SwinTransfomer
1.2 国内外研究现状
1.2.1 传统方法研究现状
1. 迭代估计模糊核
2. 最大后验估计

1.2.2 卷积神经网络
1. 多尺度框架 multi scale
2. 多通道框架 multi patch
3. 多时间框架 multi temporal

1.2.3 Transformer 研究现状

1. Vit
2. SwinTransfomer
3. 基于深度展开的互仿射网络
3.1 问题提出
3.2 基于深度展开的互仿射网络
3.2.1 深度展开机制（公式 + 原理）
3.2.2 互仿射机制（公式 + 原理）
3.2.3 网络
1. 主干网络部分
2. 模糊核提取部分
3. 网络重建模块
3.3 网络分析
3.4 实验验证
3.5 本章小结
4. 基于窗口移动的层间 Transformer 网络
4.1 问题提出
4.2 基于窗口移动的层间 Transformer 网络
4.2.1 深度展开机制（公式 + 原理）
4.2.2 互仿射机制（公式 + 原理）
4.2.3 网络
1. 浅层特征提取模块
2. 深层特征提取模块
3. 图像重建模块
4.3 网络分析
4.4 实验验证
4.5 本章小结