Deep Learning for Single Image Super-Resolution: A Brief Review SISR综述分析

（预计12月15日之前更完。。。）

1. Introduction

这是一篇19年的文章，成文于2018，所以包含了2018及之前的超分网络汇总。文章主体结构如下：

1. 关于神经网络的结构效率（第3部分）；

2. 优化（损失）函数的选择对于网络学习效率的影响（第4部分）。

在每部分，首先选择一个baseline，然后围绕baseline的各项缺点进行对比分析。

The strong capacity of DL to address substantial unstructured data is attributable to two main contributors: the development of efficient computing hardware and the advancement of sophisticated algorithms.

之前的SISR工作主要有以下两种缺陷：

1. 从LR到HR空间的映射没有一个清晰的定义；
2. 用庞大的数据建立一个高维的映射关系的效率低下。

此时基于DL的方法的高效特征提取能力以及出色的表现，理所当然就应用到了SISR领域。

在SISR中，将DL和具体应用的领域知识相结合是至关重要的。而这种结合，就体现在我们刚才提到的网络结构和优化目标的构建上，这也是作者如此展开综述的原因。

2. Background

从HR获取LR的方法：

可以看到，上述处理用了3种方法，分别是模糊化、缩放、加噪声。一般常用的处理过程可以只用其中一种也可都用。

主流的超分方法分为三大类：基于插值、基于重建、基于学习（样例）。而基于学习的方法又可分为传统的机器学习和深度学习两种，我们着重介绍DL。

人工神经网络ANN的发展历史：感知算法—>多层感知机—>CNN—>RNN，后来ANN进入深度神经网络阶段DNN，包括：受限玻尔兹曼机（RBM）、深度玻尔兹曼机（DBM）、变分自编码器（VAE）、生成对抗网络（GAN）。

3. Deep architectures for SISR

4. Optimization objectives for DL-Based SISR

5. Trends and challenges

6. Conclusion

References

1. A Brief Review: Deep Learning for SISR 综述分析
2. Deep Learning for Single Image Super-Resolution: A Brief Review