https://github.com/2wins/SRMD-pytorch
创新点：
1. 设计了一个非盲单一 CNN 网络SRMD，针对多个退化模型， 模型的输入除了LR图，还有 degration map(blur kernel, noise level)
2. 提出了维度伸展策略，使LR图像、blur kernel、noise level 维度匹配
3. 网络SRMDNF， 在SRMD的基础上用没有noise的图像 fine-tunning
思路：
1. 训练数据的合成 （模糊核：isotropic Gaussian & anisotropic Gaussian；噪声：AWGN；双三次插值）
isotropic Gaussian：kernel withdh ranges are set to [0.2, 2], [0.2, 3], [0.2, 4] for scale factors 2, 3, 4; 步长为0.1；kernel size为15x15
anisotropic Gaussian: rotation angel [0, pi], scaling of eigenvalues is set from 0.5 to 6.8 and 10 for scale factors 2, 3, 4
noise level : [0, 75]
2. input image、blur kernel 、noise level 的融合策略：
模糊核首先通过PCA 降为 t 维
然后 concatenate 一个 噪声 level v 变为 t+1维
将这t+1维 拉伸成 WxHx(t+1)，得到 degration maps 就可以与输入图像 concatennate 了
3. 网络的设计
1) 网络的输入为 WxHx(c+t+1) 维
2) convolutional layers: 每一层包括 Conv(3x3) + Relu + BN 除了最后一层
3）最后使用 sub-pixel convolutionl layer 上采样
试验中convolutional layers的数量为12，number of feature maps 是128
没有使用 residual learning 和 bicubicly LR image 的原因是：1) 在使用Relu + BN 和Adam训练时，没有residual learning strategy 也是easy to train 的；2) 由于噪声的加入，bicubicly LR image 可能会恶化噪声的复杂度，反过来会增加训练的困难度
4. 训练过程：
1）t=15 M=N=40, 对应的HR图像的size分别为 80x80, 120x120, 160x160
2) 数据集：400 BSD， 800 DIV2K，4744 WED dataset
5. 在通常用的 bicubic degration 上的实验
SRMDNF取得了最好的效果, 解释原因： 可能的原因是，在MAP框架中，Multiple degrations的SRMDNF具有相同的先验，有利于隐式先验学习，从而有利于PSNR的改进。这也可以解释为什么vdsr with multiple scales可以提高性能。(我认为原因也可能是SRMD使用了更多的数据集)
6. 在 general degrations 上的实验
（NCSR 和 IRCNN 是 two-model-based方法，DnCNN是一个去噪算法）SRMD在更宽的kernel width上的优势还挺明显的
NCSR和IRCNN的视觉效果比VDSR好，SRMD和SRMDNF的结果在边缘处更sharp
7. 在 spatially variant degradation 上的实验
8. 在 real images 上的实验
1) 只提供了视觉上的对比
2) 采用网格搜索策略选择kernel width 和 noise level ： (kernel size 在0.1到2.4之间，步长为0.1均匀采样；noise level 在0到75之间，步长为5均匀采样) --（这个方法有点笨笨的）
含有压缩伪影的LR image
含有重复性结构的图片
（SelfEx是一个self-similarity based的方法）
综上 SRMD 去掉了伪影和噪声而且更sharp
一些想法：
1. 模糊和噪声过于单一（看来考虑运动模糊还是挑战）
2. 没有模糊和噪声的估计过程，均为手工输入 （这个问题好像在IKC中得到了解决）