漫谈深度学习在Super Resolution（超分辨率）领域上的应用

1.前言

清晨，师兄推荐给我一篇文章，关于利用DeepLearning思想进行图像超分辨恢复的。超分辨这个话题几年之前还是比较火爆的，无论是BiCube、SP、A*都给出了令人振奋的结果。但是细节恢复部分仍存在一些瑕疵。

Super Resolution（SR），这个方向做的事情是给你一张低分辨率的小图（Low Resolution，LR），通过算法将这张LR放大成一张高分辨率的大图（High Resolution，HR）。这个事情乍一听挺简单的，普通的插值算法即可胜任，其实大有玄机，主要的难点在于细节的恢复，如下两张图，第一张图是原图，第二张图是将原图进行3倍下采样后，用Bicubic插值算法[1]进行SR恢复的图像，从图像整体来看，第二张图比第一张图要显得糊一些，如果将蝴蝶的翅膀纹路放大看可以发现，第二张图的细节已经很不清晰，纹路间的边缘已经模糊。这正是SR这个方向所面临的挑战。

      

SR这个领域在深度学习之前就已经大量优秀的研究工作，如Sparse Code（SC），A+等，各自效果如图所示（1）原始图像（2）SC稀疏编码进行高分辨恢复（3）A*算法进行高分辨率恢复。

            

篇幅所限，本文暂不讨论传统SR算法，本文主要聊聊基于深度学习的SR相关算法。

<