cvday09

基于深度学习的的视频超分辨率（博士论文）19年
摘要：一些研究问题：浅层视频超分辨率卷积神经网络在性能和适应性方面存在不足，不太能解决复杂的运动问题，提出了一种基于运动补偿和深度残差学习的视频超分辨率算法。先对视频进行运动估计的预处理，然后深层残差卷积神经网络恢复高分辨。
                    研究意义：一些应用：视频编解码：提升视频编解码效率，降低网络传输负担。   监控视频复原：   6遥感图像增强：类似这种硬件难以提高图像分辨率的领域。     医学图像分析：降低医学成像难度
                   问题还是精度问题.   还有使用场景问题。所以这个超分辨率领域 做的就是改进解决问题的方法。或者把他用到一个新的领域（比如大尺度、复杂运动情况是一个问题
                  视频超分变率技术的定义：视频超分辨算法往往指多帧图像超分辨率算法。。也可以根据基于的采用的方法不同进行分类，也就是基于插值、重建、样例等方法。                                   
                  一般基于插值的方法，模糊程度多。主流都是基于样例也就是数据集的,1是基于外部样本的通过构建外部训练数据集来学习。2基于内部样本：通过对输入低分辨率图像下采样，找到不同尺度下的相似图像块
                  视频超分辨率技术的性能评价方式：峰值信噪比（PSNR）、结构相似性
                  本文所提出的超分辨率算法的三个发展趋势：
            1采用更先进的运动补偿算法，使用显示运动补偿可以使得视频超分辨率结果更能够精确。2设计更先进的深层循环卷积神经网络模型，为了获得临近帧的互补信息  3设计提升视觉质量的生成对抗网咯。MES方法过于模糊，而直接生成对抗网咯放入视频超分辨率可能有抖动。
            后面没什么看的了

在跑github上的项目 经常会莫名其妙报一些奇葩错误。大部分主要是你的配置环境不匹配，比如cuda版本和torch版本的匹配度的问题，

   python深度学习：要先学会撸代码、搭网络，再深度学习理论。

python深度学习主要是1基础语法、2numpy、plt、pandas（读表、数据分析）、sklearn（机器学习算法库）、pytorch、tensorflow、opencv-python。

Turning Frequency to Resolution: Video Super-resolution via Event Cameras 这篇文章是探索时间频率对超分辨结果的影响。，较高的频率或帧率，从而更小的像素位移之间的连续帧，导致更好的超分辨结果。

我发现一个问题：就是在网络上进行改进或者在外面设备对视频的改变来影响这个超分辨算法的效果。

 实验的思想：我们通过从高速摄像机上以不同的间隔采样帧来模拟相同视频的不同帧率。我们观察到，随着帧率的增加，由最先进的VSR方法[9]得到的超分辨结果也在视觉上和定量上有所改善。这并不是完全出乎意料的，因为更大的像素位移会让VSR系统更难捕捉更长的时间依赖性和利用帧间的上下文信息，从而导致较差的结果。

1introduction:最先进的VSR技术依赖于深度神经网络对帧内相关和帧间相干进行建模，从而恢复HR帧。它们大致可以分为两大类，一类是基于卷积神经网络(CNN),另一类是基于循环神经网络(RNN）。