《Deep Learning for Image Super-resolution: A Survey》之 Upsampling Methods

本文节选自论文：Deep Learning for Image Super-resolution: A Survey

关于图像超分中上采样（Upsampling）方法的总结：

1、Interpolation-based Upsampling（基于插值的上采样方法）

（1）Nearest-neighbor Interpolation（最近邻插值）

选取最靠近的点作为待插入位置的像素值。

优点：简单、快

缺点：产生块效应

 

（2）Bilinear Interpolation（双线性插值）

 已知、、、，先在X方向进行线性插值，由、得到，由、得到，再进行Y方向的线性插值，由、得到。（参考百度百科）

 

（3）Bicubic Interpolation（双三次插值）

参考博客：https://blog.csdn.net/datase/article/details/80576054

 

 

2、Learning-based Upsampling（基于学习的上采样方法）

这类方法能够将上采样操作集成到网络结构中（an end-to-end manner）

（1）Transposed Convolution Layer（反卷积层）

如上图所示，它通过在原始像素之间插入0，再进行卷积操作，来提高图像的分辨率（size）。上图是一个 x2 的上采样示意图，首先将原始图像（a）扩展为2倍（b）,再进行一个卷积操作（kernel=3, stride=1, padding=1）。

 

（2）Sub-pixel Layer

对于一幅大小为*H*W的原始特征图（a），该类方法首先通过卷积操作生成有个通道的特征图*H*W（如上图（b）所示）,其中为上采样的放大系数，然后通过一个reshaping操作输出为的特征图，即完成了放大系数为的上采样（其实就是将不同通道的特征图拼在了一起）。

优点：拥有更大的感受野，能提供更多的结构信息。

缺点：在不同块的边界处会有一些伪影。