超分研究

超分辨率图像重构（SR）

用信号处理或图像处理的方法，将LR（Low-Resolution）图像转换为HR（High Resolution）图像。

1. 总体分类

• 基于重建的超分辨率问题 (Reconstruction-based super-resolution)：输入为低分辨率图像序列 (视频), 输出为单帧高分辨率图像;
• 视频超分辨率问题 (Video super-resolution)：输入与输出均为图像序列 (视频) ;
• 单帧图像超分辨率问题 (Single image superresolution, SISR)：输入与输出均为单帧图像； 

根据是否依赖训练样本, 超分辨率问题又可以分为：

• 增强边缘的超分辨率问题 (Edge-focused super-resolution)   (无训练样本) ：没有额外信息的辅助, 而只是对图像的显示效 果 (主要是图像边缘) 进行增强. 严格地说增强边缘的超分辨率并没有 从本质上提高图像的分辨率, 而应当归类为启发式的 (Heuristic) 图像增强 (Image enhancement) 或 图像插值 (Image interpolation).
• 基于学习的超分辨率问题 (Learning-based superresolution) (有训练样本) 

 我主要研究单帧图像超分辨率问题

2. 图像超分辨率重建技术

• 从多张低分辨率图像合成一张高分辨率图像
• 从单张低分辨率图像获取高分辨率图像 (SISR)

3. 深度学习解决超分问题

分类

• Supervised SR
• Unsupervised SR
• Domian-specific SR

建模 

• 将退化映射建模为单个降采样过程（常用的是bicubic）
• 将退化模型映射建模为几个操作的组合：HR卷积模糊核后采样，再添加噪声（带标准差的高斯白噪声）

目标函数