图像超分算法

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。