Real-World Image Super-Resolution as Multi-Task Learning

文章总结与翻译

一、主要内容

该研究从多任务学习视角重新审视真实世界图像超分辨率（real-SR）问题，核心围绕"任务竞争"这一关键挑战展开。

核心背景

真实世界图像超分辨率需处理噪声、模糊、压缩伪影等复杂未知退化，传统方法通过构建复杂退化模型生成训练数据，用单一共享模型同时解决大量退化任务。但这种方式本质是多任务学习，存在严重的任务竞争问题——部分任务主导训练过程，导致其他任务性能不佳，近半数退化任务无法得到满意结果。

技术方案

1. 任务分组方法（TGSR）：提出高效识别模型表现不佳的退化任务，将其分组后微调预训练模型，缓解任务竞争并促进知识迁移。
2. 关键步骤：
   • 基于梯度更新设计性能指标，快速筛选出不满意任务（仅需100次迭代微调，效率为直接微调的100倍）；
   • 通过性能提升分数将不满意任务划分为多个组，降低组内任务冲突；
   • 构建包含全部退化空间（防止灾难性遗忘）和各任务组的混合训练集，按组大小加权采样进行微调。
3. 实验验证：在DIV2K、Flickr2K等数据集及AIM2019、RealSR等真实测试集上验证，对比SRGAN、RealESRGAN等主流方法，TGSR在PSNR（最高提升1dB）和LPIPS（最高降低0.03）指标上均显著提升，且能消除不合理伪影。