图像超分算法旨在将低分辨率(LR)图像转换为高分辨率(HR)图像,例如将480p分辨率的视频转换为1080p分辨率的视频。常见的图像超分算法包括插值法、基于统计的算法和基于学习的算法。
1. 插值法:最简单的图像超分方法是插值法,它将LR图像中的像素值直接插值到HR图像中。最常用的插值方法是双线性插值,但该方法在边缘处的效果较差。
2. 基于统计的算法:改进的方法是基于统计的算法,如最小二乘重建和基于学习的映射算法。这些算法使用统计知识来更好地理解图像,并在计算上进行优化,以生成更准确的HR图像。
3. 基于学习的算法:最近的发展是使用深度学习算法实现图像超分。这种方法使用大量HR和LR图像对来训练神经网络,以学习复杂,非线性的图像映射函数。常见的深度学习算法包括卷积神经网络(CNN)和生成对抗网络(GAN)。与其他方法相比,基于学习的算法可以在更复杂的图像中产生更好的结果,但其训练成本更高。
个别算法表现如下:
1. SRCNN:利用三层卷积(Conv)以及非线性变化ReLU和偏置(Bias)进行超分辨。
2. FSRCNN:比SCRNN更深。使用多层卷积进行超分辨。
3. VDSR:使用残差学习(Residual Learning)进行学习。
4. EDSR:比VDSR更加深。使用多层残差来学习。
5. RCAN:在使用残差网络训练的同时,对卷积分离做了改进,使得从每个通道中学习这个的卷积第一个处理被命名为分离卷积(separable convolution)。
6. SRGAN:是一种生成对抗神经网络,使用判别器(Discriminator)来评估超分辨结果并生成更真实的输出。