MAP推定を用いた超解像では、エネルギー関数のデータ項とprior項を反復的に最適化する。本論文では、それらをDNNで表現したUSRNetを提案する。USRNetは、モデルベースと学習ベースの利点を生かし、柔軟性と精度を両立した超解像を可能にする。

12種類のブラーカーネルによって生成されたLR-HRペアデータセットを用いて学習し、任意のデータセットにおいて最高精度達成。可視化から、データモジュールではブラー除去、priorモジュールでは細部の復元を担っていることが確認し、生成されたハイパーパラメータからも同様に変化が見られた。