本文探讨了深度学习在图像超分辨率重建中的应用，包括SRCNN、FSRCNN等经典算法的原理与比较，以及ESPCN、VDSR、DRCN等方法的特点。SRCNN作为开创者，其后续改进如FSRCNN提升了效率。文章还介绍了不同方法的网络结构，如ResNet、RNN和DenseNet，并提到了SRGAN和EDSR等最新进展。
目的：将图像从低分辨率图像转换为高清超分辨率图像，传统方式是双线性插值
1.SRCNN：模型参考：https://blog.csdn.net/Autism_/article/details/79401798
作者在获取训练和测试样本时使用了自动生成的方法，非常巧妙，也有人是通过高清相机和手机照片对同一物体进行拍摄，并由此作为训练集，方法没有上述作者的好。
SRCNN是首个使用深度学习进行高分辨率转换的算法，部分论文中说SRCNN 很难训练，它对超参数的变化非常敏感，并且MSE（均方差）作为loss不是太别好，所以有人提出改进：http://ai.51cto.com/art/201711/557334.htm
2.FSRCNN：https://www.cnblogs.com/ranjiewen/articles/9094321.html
模型论文及实验结果：http://mmlab.ie.cuhk.edu.hk/projects/FSRCNN.html
3.其它方法还有：ESPCN、VDSR、DRCN、RED、DRRN、SRDenseNet、SRGAN、EDSR等等，参考：
最低0.47元/天 解锁文章
1397
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
