motivation
- 现有 SISR 模型不能挖掘测试图片内部的信息
- SISR 模型仅适用于固定领域：例如使用“bicubic”进行下采样的图片
- ZSSR 需要上千次迭代
contribution
- 通过 meta-transfer learning 为 ZSSR 提供初始参数
- 利用了 internal 与 external 信息
- “fast, flexible, lightweight and unsupervised at meta-test time” 可应用于实际应用
method
Large-scale Training
使用 DIV2K 数据集，进行“预训练”，使用“bicubic”下采样
loss：
why：
（1）SR任务具有相似的属相，因此可以学习到图片的能够代表HR的有效表示
（2）MAML训练不稳定，使用 pre-trained 来简化训练
Meta-Transfer Learning
借鉴 MAML 思想，输出初始权重
In this step, we seek to find a sensitive and transferable initial point of the parameter space where a few gradient updates lead to large performance improvements
external dataset for meta-training, internal learning for meta-test
why： we intend our meta-learner to more focus on the kernel-agnostic property with the help of a large-scale external dataset
用大量不同模糊核k合成训练数据集：
模糊核分布：
meta-data 分为 D(tr) 与 D(te)：task-level training, task-level test
task-level training:
meta-objective:
meta-training:
Meta-Test
- 通过 “kernel estimation algorithms” 从输入图像中得到 blur kernel
- meta-transfer learning 对相应的kernel 生成初始权重
Algorithm
experiment
实验效果能够看出其快速适应的特点
advantage
- 综合内部外部信息
- 快速适应
disadvantage
- “kernel estimation algorithms” 通过输入的 LR 图片预测 blur kernel，影响模型整体性能
