![0623b1ad9404c54bf507733796f1c935.png](https://i-blog.csdnimg.cn/blog_migrate/da385eee322f6f895a7a6f944e3fc339.jpeg)
一、开山之作
因为之前SR都是用传统算法做的,但是SRCNN被提出来以后深度学习就开始一统天下。
- Image super-resolution using deep convolutional networks(SRCNN)
这篇文章是算是第一个将卷积引入到SR任务中,它只使用了3层卷积,就超过了当时所有的传统算法,算是基于深度学习的SR的开山之作。它目前的引用量为2555。详细笔记可参考笔记:
SRCNNnote.youdao.com![14b88d1abada5d8e21884654710c64ef.png](https://i-blog.csdnimg.cn/blog_migrate/78f766ed6a20f6d520a8d6c4df130bf5.jpeg)
二、基于残差结构
残差结构主要分两种,一个是全局残差,一个是局部残差。
全局残差
由于在SR中,输入图像是和目标图像是高度相关的,因此,使用全局残差,使网络只学习输入图像与输出图像的残差图像,这样模型复杂度和学习难度都能大幅度降低