深度学习——Dual Regression Networks for Single Image Super-Resolution（DRN）

CVPR2020原论文：Closed-loop Matters: Dual Regression Networks forSingle Image Super-Resolution
开源代码（pytorch框架）：https://github.com/guoyongcs/DRN
1.问题
1）低分辨率图像（Low Resulotion）经过非线性映射成高分辨率图像(High Resulotion)本身是个病态问题。因为高分辨率的图像可以任意采样成低分辨率图像，所以其反向变换的非线性映射函数的解空间是非常大的。在这样大的解空间中找到合适的非线性映射函数是十分困难的。
2）真实世界无法得到成对的低分辨图像（LR）和高分辨率图像(HR)时，模型的训练变得十分困难。因此处理真实世界图像没有很好的泛化能力。

2.主要工作
1）提出了双重回归的方案。引入一个额外的限制性条件（即，如果LR到HR的映射是最优的，则HR经过降采样能够得到LR），以重建低分辨率图像去增强超分辨率模型，形成闭环映射，减小了映射函数解空间。并为这种方案在处理超分辨率图像问题上提供了必要性和可行性的理论支持。
2）由于双重回归的方案，重建LR与HR无关（即Dual Regression Task回归过程不涉及到高分辨y图像）。得到的模型处理真实世界的图像具有泛化能力。

双重回归方案图：

先是LR到HR的映射，计算HR的lo