184、退化盲解：BSRGAN的随机退化策略与无监督超分训练技巧
去年做项目的时候，客户甩过来一批监控截图，要求把车牌放大四倍。我兴冲冲把EDSR、RCAN这些经典模型跑了一遍，结果惨不忍睹——模型在公开数据集上PSNR高得吓人，一到真实低质图像就崩，模糊、噪声、压缩伪影混在一起，模型完全认不出这是啥。当时我盯着屏幕上糊成一团的“车牌”，心里只有一个念头：这玩意儿要是能商用，我把键盘吃了。
后来翻到BSRGAN那篇论文，才意识到问题出在哪——我们训练超分模型时，用的退化模型太“干净”了。双三次下采样、加一点高斯噪声，这种理想化假设在真实场景里根本站不住脚。真实世界的图像退化是盲的，你不知道它经历了什么——可能是运动模糊、传感器噪声、JPEG压缩、缩放混叠，甚至这些因素的任意组合。BSRGAN的核心思想就是：既然不知道退化过程，那就让模型在训练时见过足够多的退化类型，逼它学会盲解。
退化模型：别再用双三次下采样了
BSRGAN的退化策略说白了就是“随机组合拳”。它把退化过程拆成两个阶段：模糊、下采样、噪声、压缩，每个阶段都有随机参数。比如模糊核可以是高斯模糊、运动模糊或者各向异性模糊，尺寸从7x7到21x21随机选，方向、强度都随机。下采样不是简单的双三次，而是先模糊再下采样，下采样倍数也随机——1倍到4倍之间，甚至可以是分数倍。噪声部分除了高斯噪声，还加了泊松噪声和斑点噪声。压缩则模拟JPEG的质量损失，质量因子从30到95随机取。
代码实现时有个坑：模糊核的尺寸必须和图像尺寸匹配。我一开始图省事，固定用15x15的模糊核，结果小尺寸图像被过度模糊，大尺
