20世纪60年代就已经提出。
其超分辨率技术的分类:单张图和多张图的超分辨率,其中单张图超分辨率是研究重点。一般为分为:插值、重构、深度学习的方法。
插值法:应用于图像缩放 分辨率没有变化这种。选择合适的插值窗口和插值函数来进行恢复画质。但插值一般不能充分利用图像的像素信息。
重构法:利用图像降至退化模型,假设这个图是经过退化而来得到的超分辨率,然后再逆向重建变成高分辨率
深度学习法:目前最好的。1第一个算法网络是SRCNN,它是由三个卷积网络所构成,第一个卷积层就是负责提取出抽象的高频信息,第二个卷积层就是低清特征到高清特征的非线性映射,最后一个卷积层作用重建出高分辨率的图像。也就是从简单的卷积网络方法到深度残差网络方法。
业界应用爱奇艺zoomAI :超分辨率的损失函数一般都是均方误差函数MES,它的创新点在于在训练集上加了一些模糊操作,这样使得不仅有低分辨率特征到高分辨率,还有模糊到清晰映射关系,生成图像细节更多。
视频任务的需求:实时性(直播、会议)、实用性(实际场景复杂)、
目前在深度学习领域的视频超分主要面临问题就是如何凭借较小的网络来实现具有良好真实效果的视频质量,因为目前很多就是模型过于庞大、模型泛化能力不足--不同数据集会有不同的表现。
学术界超分模型的训练模式:HR图像进行下采样得到LR图像,再作为配对的数据集输入到网络中进行训练,所以这里的问题就是只考虑了下采样退化的因素。而实际生活应用中,一个高清图像到低清图像过程有图像压缩、视频编码、图像采集噪声等多种退化因素。而理论研究中只考虑了下采样这一个因素,所以是不行的,在实际应用中。