SR总结文章阅读理解

A Deep Journey into Super-resolution: A Survey

​ 本文总结了使用深度学习进行图像超分辨的30多种方法,对文章内容进行简单简介,具体内容参考原论文

1.网络结构分类

​ 文中作者将SISR分为9个类型,每个类型的代表模型如下图所示:
在这里插入图片描述

​ 下图对每个模型进行了图形归纳,如查看详细信息,请查阅相关论文。

在这里插入图片描述

2.计算量、参数与PSNR

​ 作者将一些算法的计算量和参数数量与PSNR的关系做了散点图,如下图所示,从计算量、参数量和PSNR来看,CARN、SRGAN、Selnet效果最好。

在这里插入图片描述

在这里插入图片描述

​ 下图是各个算法的整体比较,包括模型深度,Filters大小等。

在这里插入图片描述

3.客观评价和主观评价

​ 在常用数据集上对图像进行放大2、3、4倍,分别计算了PSNR和SSIM。

在这里插入图片描述
在这里插入图片描述

​ 下图为部分图像的视觉效果,SRGAN虽然PSNR和SSIM值不是最高,但显示效果较好,可以看出,PSNR高并不表示视觉效果一定会好。

在这里插入图片描述
在这里插入图片描述

4.未来研究方向

1)、结合先验知识,针对特定场景进行图像超分;

2)、目标函数和评价方法的改进;

3)、统一解决方案;

4)、非监督图像超分辨;

5)、更高放大倍数的图像超分;

6)、任意放大倍数的图像超分;

7)、真实场景和人为图像退化方向;

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值