论文项目：http://www.wisdom.weizmann.ac.il/~vision/BlindSR.html
ICCV13的oral，观看地址见：http://techtalks.tv/talks/nonparametric-blind-super-resolution/59401/
目前引用量11。
问题引入
一般情况下，SR问题都是假设了blur kernel是PSF或者Guassian，但作者认为这是不正确的，作者提出了kernel应该从低分辨率图像中进行直接估计来进行恢复，然后再基于这个kernel来进行SR。
什么才是正确的SR kernel？
（注：这部分对应原文sect 2，中间的一些符号笔者没有理解，先将脉络记录下来先）
如上图，作者认为图像原来是在一个contiunous scene f(x)下，不管是high-res image h[n]还是low-res image l[n]，都看成是f(x)的一种经过PSF模糊之后的采样，差别是它们的PSF是不同的。
而SR问题中需求得到的kernel，实际上应该是从h[n]到l[n]的模糊核函数，这个过程等价于先从h[n]反卷积到f(x)再卷积到l[n]，用傅里叶变换后在频域表示为：
总的来说，这个kernel不是PSF的离散化，而是具有更加震荡的模式。
怎么通过低分辨率图像直接恢复kernel？
经过公式推理，作者得到了这样一个观察。如上图所示，在低分辨率图像l中，首先将它进一步模糊降采样为l^alpha，并在这两个尺度下找到了一对最近邻的q和r^alpha，而r^alpha是在l中对应的r区域模糊降采样得到，那么q和r的关系也会满足与q是r的模糊降采样，该形式可以转换成一个线性的约束：
也就是，如果能够找到多个这样q-r对，能够通过最小二乘法估计得到kernel的值。
于是问题是如何得到这样的q-r对。方法也是很简单，先初始化一个k，然后通过k得到新的l^alpha，之后通过NN找到目前的q-r对，重新估计新的k。重复该步骤直到收敛。
引入外部图片时候的kernel恢复
基本同上述过程，只不过这时候l^alpha是在外部图片中得到。
