#今日论文推荐# SRCNN：基于深度学习的超分辨率开山之作回顾

#今日论文推荐# SRCNN：基于深度学习的超分辨率开山之作回顾

本文将介绍CNN 如何用于单图像超分辨率（SISR）。
本文提供了与SRCNN论文的总结和回顾，如果你对于图像的超分辨率感兴趣，一定要先阅读这篇论文，他可以说是所有基于深度学习的超分辨率模型的鼻祖。
卷积神经网络通常用于分类，目标检测，图像分割等与某些与图像有关的问题中。
在本文中，将介绍CNN 如何用于单图像超分辨率（SISR）。这有助于解决与计算机视觉相关的各种其他问题。在CNN出现之前，传统的方法是使用最近邻插值、双线性或双三次插值等上采样方法，也可以取得不错的效果。

• Nearest Neighbors Interpolation — 最近邻插值是一种简单明了的方法。它为每个插值点选择最近像素的值，而不考虑任何其他像素的值。
• Bilinear Interpolation (BLI) — 双线性插值 这是一种在图像的一个轴上进行线性插值，然后再移动到另一个轴的技术。因为它产生了一个接受域大小为 2x2 的二次插值，所以它在保持合理速度的同时优于最近邻插值。
• Bicubic Interpolation(BCI) — 双三次插值与双线性插值一样，双三次插值 (BCI) 在两个轴上进行。与 BLI 相比，BCI 考虑 4x4 像素，从而产生更平滑的输出，具有更少的伪影，但速度要慢得多。

论文题目：Image Super-Resolution Using Deep Convolutional Networks
详细解读：https://www.aminer.cn/research_report/62a175307cb68b460fce062a?download=falsehttps://www.aminer.cn/research_report/62a175307cb68b460fce062a?download=false
AMiner链接：https://www.aminer.cn/?f=cs