Reference-based Super-Resolution Ref-SR has recentlyemerged as a promising paradigm to enhance a low-resolution LR input image by introducing an additionalhigh-resolution HR reference image Existing R

基于参考的超分辨率（Ref-SR）最近作为一种有前景的方法出现，通过引入一个额外的高分辨率（HR）参考图像来增强低分辨率（LR）输入图像。现有的Ref-SR方法主要依赖于隐式的对应匹配，从参考图像中借用HR纹理来弥补输入图像中的信息损失。然而，由于输入和参考图像之间存在两个差距（变换差距和分辨率差距），执行局部转移是困难的。为了解决这些挑战，我们在这项工作中提出了C2-Matching，它在变换和分辨率之间产生了明确的鲁棒匹配。1）对于变换差距，我们提出了一个对比度对应网络，使用输入图像的增强视图学习具有鲁棒变换的对应关系。2）对于分辨率差距，我们采用了一种师生相关性蒸馏方法，从更容易的HR-HR匹配中提取知识，以指导更模糊的LR-HR匹配。3）最后，我们设计了一个动态聚合模块来解决潜在的不对齐问题。此外，为了真实地评估Ref-SR在实际场景下的性能，我们贡献了Webly-Referenced SR（WR-SR）数据集，模拟实际使用场景。大量实验证明，我们提出的C2-Matching在标准CUFED5基准测试中比现有技术提高了1dB以上。值得注意的是，它在WR-SR数据集上也表现出很好的泛化能力，并且对大规模和旋转变换具有鲁棒性。