目录
2. 深度学习方法 Single Image Super-Resolution, SISR
1. 上采样 Upsamling
近邻插值(Nearest Interpolation)
双线性插值(Bilinear Interpolation)
中心对齐
浮点运算→整数运算→左右移按位运算
双三次插值(Bicubic Interpolation)
反卷积(Transposed Convolution)
问题:棋盘效应
反卷积的棋盘格效应
只能保证矩阵大小相等,不能完全恢复数值
反池化(Unpooling)
2. 深度学习方法 Single Image Super-Resolution, SISR
Single-Image-Super-Resolution
https://github.com/YapengTian/Single-Image-Super-Resolution
从SRCNN到EDSR,总结深度学习端到端超分辨率方法发展历程
1.SRCNN
(Learning a Deep Convolutional Network for Image Super-Resolution, ECCV2014)
开山之作,网络结构非常简单。先使用双三次(bicubic)插值,通过三层卷积网络拟合非线性映射,输出高分辨率图像结果
2. FSRCNN
(Accelerating the Super-Resolution Convolutional Neural Network, ECCV2016)
使用了一个反卷积层放大尺寸。
使用更小的卷积核和使用更多的映射层。
共享其中的映射层。
3. ESPCN
(Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network, CVPR2016)
亚像素卷积层
4. VDSR
(Accurate Image Super-Resolution Using Very Deep Convolutional Networks, CVPR2016)
学习高分辨率图像和低分辨率图像之间的高频部分残差
5. DRCN
(Deeply-Recursive Convolutional Network for Image Super-Resolution, CVPR2016)
RNN+残差结构
6. RED
(Image Restoration Using Convolutional Auto-encoders with Symmetric Skip Connections, NIPS2016)
对称的卷积层-反卷积层构成的网络结构
7. DRRN
(Image Super-Resolution via Deep Recursive Residual Network, CVPR2017)
全局残差学习+单权重的递归学习+多目标优化
8. LapSRN
(Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution, CVPR2017)
逐步上采样,一级一级预测残差的方式,速度比较快
9. SRDenseNet
(Image Super-Resolution Using Dense Skip Connections, ICCV2017)
稠密块结构
10. SRGAN(SRResNet)
(Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network, CVPR2017)
利用感知损失(perceptual loss)和对抗损失(adversarial loss)来提升恢复出的图片的真实感。
Momentum
padding = “SAME”/“VALID”
11. EDSR
(Enhanced Deep Residual Networks for Single Image Super-Resolution, CVPRW2017)
NTIRE2017超分辨率挑战赛上获得冠军的方案
把批规范化处理(batch normalization, BN)操作去掉
12. R-ESRGAN
流程
纯合成数据训练
生成器:与ESRGAN相同,多个RRDB的深网络
先用Pixel-unshuffle减少空间大小
鉴别器:U-Net 改善细节,Spectral normalization恢复纹理,
训练:
1. real-esrnet, L1 loss 训练psnr导向
Sinc filters:去除振铃和超调
2. real-esrnet作为生成器初始化,L1 loss,感知损失,GAN损失训练
创新点:
新的构建数据集的方法,高阶退化
加入Sinc filter 解决振铃和过冲伪影
判别器VGG 替换为U-Net,增强细节学习
引入SN稳定由于复杂数据集和U-Net带来的训练不稳定,
二阶退化
模糊:广义高斯模糊。平台型分布
噪声:加性高斯、泊松噪声(对统计量子涨落引起的传感器噪声进行建模)
Resize:上/下采样
13. UDL
NeurIPS 2021: 不确定性驱动损失 图像超分辨率 Uncertainty-Driven Loss for Single ImageSuper-Resolution
MSE 或 L1 损失函数在假设所有像素的重要性相同.,纹理和边缘区域比平滑区域承载着更重要的视觉信息。引入方差估计,以像素为基础来表征不确定性,从而可以同时学习高分辨率图像中的目标像素 (均值) 和它们对应的不确定性 (方差)。
14. Rare display
1 基于稀疏信号表示SR
稀疏表示系数在超完备字典上得到精确重建
2 基于稀疏表示的普通图像SR重建
2.1 普通图像SR重建
2.2 人脸图像SR重建
非负矩阵分解(NMF)
“两步”人脸SR重建
基于最大后验概率(MAP)
基于稀疏表示的人脸幻构
3 学习字典对
3.1 单一字典训练
3.2 联合字典训练
3.3 LR图像特征表示