图像超分辨率
图像超分辨率的目标
应用:经典游戏高清重制
应用:动画高清重制
应用:照片修复
应用:节约传输高清图像的带宽
应用:民生领域
超分辨率的类型
单图炒粉的解决思路
经典方法:稀疏编码 Sparse Coding
稀疏编码的缺点
深度学习时代的超分辨率算法
Super -Resolution CNN,SRCN,2014
SRCNN模型功能划分
第一层:特征提取
第一层的卷积核
第二层:非线性映射
第三层:图像重构
SRCNN的训练
SRCNN的性能
SRCNN重置高清
SRCNN的速度问题
Fast SRCNN 2016
复习:转置卷积扩大特征图尺寸
缩小层和放大层
FastSRCNN的优势
转置卷积的缺陷
次像素卷积 Subpixel convolution
SRResNet 2016
感知损失vs均方误差
Mean Squared Error 均方误差
感知损失
特征重构损失函数
对抗生成网络
使用GAN生成图像
使用GAN转译图像
GAN应用于超分辨率
图像数据在高位空间中的分步
用神经网络表示数据分布
如何学习生成器网络
GAN的优化目标
基于多层感知器的GAN模型
Deep Convolutional GAN,DCGAN
GAN应用于图像超分辨率
SRGAN 2017
SRGAN的训练
Enhanced SRGAN 2018
使用RRDB模块替换残差模块
使用RaGAN替换GAN
使用非线性激活前的响应计算感知损失
使用非线性激活前的响应计算感知损失
ESRGAN的性能比较
利用多帧进行超分
视频复原的典型流程
EDVR
可变形卷积 Deformable Convolution
BasicVSR