SR综述论文阅读的一点点笔记

《Deep Learning for Single Image Super-Resolution: A Brief Review》

《A Deep Journey into Super-resolution: A Survey》

LR图像建模：

↓s

       其中x⊗k是模糊核k和未知HR图像x之间的卷积，↓s是具有比例因子s的下采样算子，n是独立噪声项。用图像可表示为：

       迄今为止，SISR的主流算法主要分为三类：基于插值的方法、基于重构的方法和基于学习的方法。

1、基于插值的SISR方法，如双三次插值和Lanczos重采样，非常快速和直接，但存在精度缺陷。

2、基于重构的SISR方法，通常采用复杂的先验知识来限制可能的解决方案空间，优点是生成灵活和清晰的细节。然而，当比例因子增加时，许多基于重建的方法的性能迅速下降，且较为耗时。

3、基于学习的SISR方法，也称为基于示例的方法。这些方法通常使用机器学习算法从大量的训练实例中分析LR与其对应的HR之间的统计关系。研究人员将稀疏编码方法应用于SISR问题，如随机森林也被应用于改善重建性能。

4、最近，基于DL的SISR算法已经证明了其优于基于重构和其他基于学习的方法。

SRCNN中使用插值的三个不足之处：

1、输入引入的细节平滑效果可能导致图像结构的进一步错误估计；

2、使用内插作为输入非常耗时；

3、当下采样核未知时，作为原始估计的一个特定内插输入是不合理的。

当前网络的改进方向：

1、使用CNN学习上采样映射，以代替插值法；

2、使用更深的网络增加精度；

3、将SISR过程的特性与CNN框架的设计相结合。

现有SISR方法分类：

现有基于深度学习的SR重建网络的一些架构：