来自论文：Deep Learning for Image Super-resolution: A Survey
摘要：图像超分辨率是图像处理技术中重要的一个分支，在计算机视觉中用来增强图像和视频的分辨率。近几年来图像超分辨率通过使用深度学习技术，已经取得了不错的进步。这份调查主要是给出深度学习超分辨率的最新研究进展。总的来说，我们粗略地把现阶段研究的超分辨率技术分为三类：有监督的超分辨率类型、非监督的超分辨率类型、特定领域的超分辨率。另外，我们覆盖了一些重要问题，比如公开可得的基准数据库及效能评估指标等。最后，在论文中我们突出了部分未来方向及未来应该解决的一些开放性问题。
一、问题设置与及术语
图像超分辨率指的是从低分辨率图像中恢复高分辨率图像的过程。这项技术在现实世界中有广泛的应用，例如医学图像、监控与安全等，除了提升图像感知的品质，也有助于提升其他计算机视觉任务。总的来说，这个问题是非常具有挑战性和不适定性的，因为总是有多张高分辨率图像对应于单张低分辨率图像。在文献中，各种经典的超分辨率方法都有，包括基于预测的方法，基于边缘的方法，统计方法，基于修补的方法，以及稀疏表示方法等。近些年深度学习技术的快速发展，使得基于深度学习的超分辨率模型已经具有了最佳表现，大量深度学习方法被应用于解决超分辨率任务，从早期的SRCNN到最近的SRGAN。总的来说，深度学习超分辨率算法之间各不相同，主要是由于下面几个主要的方向：不同类型的网络结构，不同类型的损失函数，不同类型的学习原则和策略等。我们的工作与现有其他人的调查不同在于我们只专注于基于深度学习的超分辨率技术。
image.png
二、有监督的超分辨率类型
2.1 问题定义
图像超分辨率指的是从低分辨率图像中恢复相应的高分辨率图像。一般来说，低分辨率图像可以被看成是高分辨率图像退化而得的。退化过程一般认为的有两种模型，一种是简单的下采样操作。另外一种是几个操作的结合，包含产生的高分辨率图片与原图之间的损失函数，以及正则项和比例参数。我们的目的正是为了研究超分辨率模型，将相应的高分辨率图像恢复出来。
2.2 图像超分辨率的数据集
image.png
2.3 图像质量评估
网友评论