【无标题】

基于深度学习的SISR超分辨：四类

重建效率方法：注意模型大小，执行时间，乘法累加数（Mult Adds）测量模型计算。总结：模型性能和模型复杂性之间的权衡仍然需要关注。

重建精度方法：PSNR ,SSIM

峰值信噪比（PSNR）与MSE高度相关，用MSE损失训练的模型预计具有较高的PSNR分数，虽然较高的PSNR通常表明构造质量较高，但它只考虑了每像素MSE，这使得它无法捕获感知差异

结构相似性指数测量（SSIM）：SSIM是另一种流行的评估方法，它基于感知基础测量两幅图像之间的相似性，包括结构、亮度和对比度。与计算像素级绝对误差的PSNR不同，SSIM表明空间相近的像素之间存在强烈的相互依赖性。这些依赖性从视觉上携带着与结构相关的重要信息。

感知质量方法

进一步改进方法

数据对于数据驱动模型，尤其是基于DL的SISR模型，始终是至关重要的，以实现有希望的重建性能（图3）。如今，工业界和学术界已经为SISR发布了几个可用的数据集。

最近，针对SISR任务提出了许多数据集，包括BSDS300[17]、DIV2K[16]和Flickr2K[15]。同时，还有许多测试数据集可用于有效测试模型的性能，如Set5[25]、Set14[26]、Urban100[27]和Manga109[28]。

在这些数据集中，DIV2K[16]是模型训练中使用最广泛的数据集，它是一个高质量的数据集。它包含800个训练图像、100个验证图像和100个测试图像。Flickr2k是一个大型扩展数据集，包含来自Flickr的2650个2K图像。RealSR[19]是第一个真正收集到的具有成对LR和HR图像的SISR数据集。除了列出的数据集之外，在其他计算机视觉任务中广泛使用的一些数据集也用作SISR的补充训练数据集，例如ImageNet[31]和CelebA[32]。此外，将多个数据集（如DF2K）结合起来进行训练，以进一步提高模型性能也得到了广泛应用。

基于此降解公式，提出了三种最广泛使用的降解模式：BI、BD和DN。其中，BI是模拟LR图像最广泛使用的降级模式，本质上是一种双三次下采样操作。对于BD，用大小为7×7的高斯核（标准偏差为1.6）模糊HR图像，然后用比例因子×3进行下采样。为了获得DN模式LR图像，对HR图像进行双三次下采样（比例因子为×3），然后在图像中加入噪声级为30的高斯噪声。

 上采样机制可分为四种类型：pre预上采样SR、post后采样SR，渐进上采样SR.和迭代上下采样SR.