超分辨率图像重构(SR)
用信号处理或图像处理的方法,将LR(Low-Resolution)图像转换为HR(High Resolution)图像。
1. 总体分类
- 基于重建的超分辨率问题 (Reconstruction-based super-resolution):输入为低分辨率图像序列 (视频), 输出为单帧高分辨率图像;
- 视频超分辨率问题 (Video super-resolution):输入与输出均为图像序列 (视频) ;
- 单帧图像超分辨率问题 (Single image superresolution, SISR):输入与输出均为单帧图像;
根据是否依赖训练样本, 超分辨率问题又可以分为:
- 增强边缘的超分辨率问题 (Edge-focused super-resolution) (无训练样本) :没有额外信息的辅助, 而只是对图像的显示效 果 (主要是图像边缘) 进行增强. 严格地说增强边缘的超分辨率并没有 从本质上提高图像的分辨率, 而应当归类为启发式的 (Heuristic) 图像增强 (Image enhancement) 或 图像插值 (Image interpolation).
- 基于学习的超分辨率问题 (Learning-based superresolution) (有训练样本)
我主要研究单帧图像超分辨率问题
2. 图像超分辨率重建技术
- 从多张低分辨率图像合成一张高分辨率图像
- 从单张低分辨率图像获取高分辨率图像 (SISR)
3. 深度学习解决超分问题
分类
- Supervised SR
- Unsupervised SR
- Domian-specific SR
建模
- 将退化映射建模为单个降采样过程(常用的是bicubic)
- 将退化模型映射建模为几个操作的组合:HR卷积模糊核后采样,再添加噪声(带标准差的高斯白噪声)
目标函数