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。