Multi-Dimension Modulation for Image Restoration with Dynamic Controllable Residual Learning
Motivation：现有的方法在实现两个目标之间的平滑过渡时受到限制，而实际输入图像可能包含不同种类的退化。传统的图像恢复深度学习方法(如图像去噪、去模糊和超分辨率)学习从退化图像空间到自然图像空间的确定性映射。对于给定的输入，这些方法中的大多数只能生成具有预先确定的恢复级别的固定输出。缺乏根据不同用户的喜好改变输出效果的灵活性。目前有的调制工作都是在一维上的，即是假设只有一个单一的退化类型。
整体思路： 提出了新的问题多维(MD)调制, 旨在调制输出效果跨多种退化类型和水平。MD任务有三个属性：联合调制、零起点、不平衡学习。提出了第一个MD调制框架-
具有新引入的可控残差连接的CResMD。提出了一种新的基于beta分布的数据采样策略来平衡不同的退化类型和退化水平。