Python深度学习实践:图像超分辨率重建
作者:禅与计算机程序设计艺术 / Zen and the Art of Computer Programming
1. 背景介绍
1.1 问题的由来
随着数码相机、手机等设备的普及,图像分辨率越来越高,然而在存储、传输等环节,往往需要将高分辨率图像进行下采样,降低图像尺寸。然而,下采样后的图像往往会出现模糊、细节丢失等问题。图像超分辨率重建(Image Super-Resolution, ISR)技术,旨在通过算法将低分辨率图像恢复到高分辨率,恢复图像的细节和清晰度。
1.2 研究现状
近年来,深度学习技术在图像超分辨率重建领域取得了显著的进展,涌现出许多优秀的模型和方法。根据算法思想,可以将现有的超分辨率重建方法分为以下几类:
基于全局优化方法:这类方法通常采用迭代优化算法,通过不断优化目标函数来逼近超分辨率重建结果。常见的全局优化方法有迭代最近点(Iterative Closest Point, ICP)算法、Bundle Adjustment等。
基于局部优化方法