一、盲超分的本质与数学建模
1. 退化过程的数学表达
低分辨率图像（LR）可看作高分辨率图像（HR）经过退化模型后的结果：
- 𝑦：观测到的低分辨率图像
- 𝑥：待恢复的高分辨率图像
- 𝑘：模糊核（Blur Kernel）
- ⊗：卷积操作
- ↓𝑠：下采样（步长为𝑠）
- 𝑛：加性噪声（如高斯噪声、泊松噪声等）
盲超分的核心问题：在未知 𝑘、𝑠、𝑛 的情况下，从 𝑦估计 𝑥。
2. 为什么传统超分方法会失效？
传统方法（如SRCNN、EDSR）假设退化是固定的（如双三次下采样），但真实场景中：
- 模糊核可能是运动模糊、高斯模糊或镜头像差的混合；
- 噪声可能是传感器噪声、JPEG压缩伪影等；
- 下采样方式未知（如非整数倍缩放、区域自适应采样）。
二、盲超分的技术路线详解
1. 显式退化建模方法：把“模糊核”显式地算出来
（1）模糊核估计
目标函数：从 LR 图像 y 估计模糊核 k，经典的最大后验（MAP）框架：
| 方法 | 关键思想 | 实现要点 |
| KernelGAN (ICCV’19) | 用 GAN 的判别器捕获 LR 图像梯度分布 → 生成器输出 k | 判别器用 PatchGAN，损失加 TV 正则 |
| Double-DIP (CVPR’18) | 两个 DIP 网络分别估计 x 和 k，交替优化 | 网络结构：U-Net；需加核范数正则防止平凡解 |
踩坑经验
- 核尺寸必须 ≥ 真实核（一般设 21×21），否则估计会“截断”高频。
- 噪声 σ>2 时，先对 y 做轻度降噪（BM3D/FFDNet），否则核估计会过拟合噪声。
（2）退化-重建联合优化（IKC 路线）
步骤：
- 初始化一个粗略的模糊核 𝑘0；
- 用当前 𝑘𝑖 训练超分网络，生成HR图像 𝑥𝑖；
- 根据重建误差反向优化 𝑘𝑖；
- 重复2-3步直至收敛。
优点：逐步修正模糊核，避免一次性估计的误差累积。
二、隐式退化学习：不估计核，让网络“自己学”
（1）退化空间搜索（Degradation Space Search）
Real-ESRGAN（2021）：
- 提出高阶退化建模：模糊 → 噪声 → 下采样 → JPEG压缩 → 传感器噪声的串联。
- 训练时随机采样退化参数，迫使生成器适应多种退化组合。
- 关键改进：使用UNet判别器增强对伪影的感知能力。
（2）域适应（Domain Adaptation）
BSRGAN（2021）：
- 构建更复杂的合成退化模型，模拟相机成像链路（如镜头模糊、色彩畸变）。
- 通过数据增广生成贴近真实世界的LR-HR对。
3. 基于元学习与测试时优化
MZSR（Meta-Transfer Learning for Blind SR）：
- 在测试时根据输入图像动态调整网络参数（类似“快速适应”）。
- 解决训练-测试退化分布不一致问题。