为什么matlab出来后的图像重复了三次_图像/视频超分之降质过程

点击上方“AIWalker”，选择加“星标”

   精品干货，瞬时送达

图像/视频超分领域近期并无突破性的方法出现，故近期计划将图像/视频超分相关方法进行一次综述性汇总。计划从不同点出发对图像/视频超分进行一次“反思”之旅。本文是该旅程的第一站：图像降质过程。

尽管图像超分和视频超分在方法上或多或少会有一些关键性的区别，但是两者在训练数据对的制作方面其实并无非常大的区别。所以本文主要以图像超分为例进行介绍。

说到图像超分，大家可能会很自然的想到这样几个数据集：DIV2K，Set5，Set14等等。确实，这些数据集都是图像超分领域最常见的数据集。我们先来简单汇总一下图像/视频超分领域有哪些公开数据集。

Name	Phase
Set5	test
Set14	test
B100	test
Menga109	test
Urban100	test
General100	test
L20	test
DIV2K	train/val
DIV8K	train/val
Flickr2K	train
DF2K(DIV2K+Flickr2K)	train
City100	train/val
DRealSR	train/val
RealSR(V1, V2, V3)	train/val
Aogra(声网)	train
Vid4	test
SPMCs	test
UDM10	test
MM522	train
REDS	train/val
Vimeo	train/val
Youku	train

注：上面所列出的仅是图像/视频超分的常用数据集以及部分竞赛数据集，除此之外还有一些Real-World数据集。其中DIV2K当属图像超分领域应用最多的一个数据集，它也是目前图像超分最常用的一个训练数据集(部分模型会考虑采用DF2K进一步提升模型性能，比如AIM2020-Efficient SuperResolution中的方法都采用了DF2K进行模型训练)；REDS与Vimeo是视频超分领域应用最多的两个训练数据集(REDS是NTIRE2019竞赛中引入的一个数据集)；RealSR、DRealSR是两个真实场景采集的图像超分数据集(具体怎样构建的训练数据对后期有空会介绍一下)。

尽管有了上述数据集，那么训练数据对LR-HR是如何构建的呢？

原理