SR基础知识回顾

计算

zero padding的计算

• zero padding：因为我们希望全尺寸输出，保证输入图像的尺寸-

卷积层的计算

• W,D 向下取整

池化层的计算

• W,H 向上取整

一些概念

残差网络

参考博客：https://blog.csdn.net/u014665013/article/details/81985082#1__6
参考文章：https://zhuanlan.zhihu.com/p/56961832
参考文章：https://zhuanlan.zhihu.com/p/27160373
自己的解：
（SRCNN 重新画一张高清HR）
（引入残差 VDSR 把LR放大，补充与真实的HR的差距[context information]，生成HR，加快训练）

receptive field

参考文章：https://www.zhihu.com/question/66954030/answer/715416325

图像去噪、图像复原、图像超分辨率重建，它们之间有什么联系与区别？

参考文章：https://www.zhihu.com/question/65791339/answer/472977847
文章优秀评论：从深度学习的角度讲也有很大区别。Denoise往往是网络去学习拟合噪声的分布（Gaussian distribution etc.），所以L2这类loss对synthesize noise image的效果好，但是对real word noise却不如BM3D这类传统算法，因为real world noise一般是gaussian和poisson distribution的混合，更复杂。对于super resolution的task来说，模型学习的是context information来predict缺失的信息。对于denoise来说noise image和ground truth是many-to-one map的，但是对于super resolution来说是many-to-many map的。两个task看似都是一堆paired的数据丢到网络去学，其实本质上区别很大

图像去噪传统的方法：

参考文章：https://zhuanlan.zhihu.com/p/51403693

图像的高频信息与低频信息：

参考博客：https://blog.csdn.net/charlene_bo/article/details/70877999

图像先验：

loss function：