这篇综述主要介绍目前深度学习领域超分辨率问题的一些方法。首先介绍了图像超分辨率问题以及问题的评价标准，之后重点介绍了监督学习领域的几大关键，包括上采样方法、网络结构、学习策略、其他优化策略等。并且分析了各种不同方法的优缺点。之后介绍了无监督学习的一些方法，最后给出了一些未来可能的研究方向。 图像 ...

Google Pixel 超分辨率--Super Resolution Zoom Google 的Super Res Zoom技术，主要用于在zoom时增强画面细节以及提升在夜景下的效果。 文章的主要贡献有： · 使用多帧图像超分辨算法代替去马赛克算法 · 引入 ...

一、相关概念 1.分辨率 图像分辨率指图像中存储的信息量，是每英寸图像内有多少个像素点，分辨率的单位为PPI(Pixels Per Inch)，通常叫做像素每英寸。一般情况下，图像分辨率越高，图像中包含的细节就越多，信息量也越大。图像分辨率分为空间分辨率和时间分辨率。通常，分辨率被表示成每一个 ...

本示例演示如何训练甚深超分辨率（vdsr）神经网络，然后使用vdsr网络从单个低分辨率图像估计高分辨率图像。 该示例演示了如何训练vdsr网络，并提供了预先培训的vdsr网络。如果您选择培训vdsr网络，强烈建议使用具有cvida功能的nvidia™仇均，该网络具有3.0或更高的计算能力。使用 ...

　　经典超分辨率重建论文，基于稀疏表示。下面首先介绍稀疏表示，然后介绍论文的基本思想和算法优化过程，最后使用python进行实验。 稀疏表示 　　稀疏表示是指，使用过完备字典中少量向量的线性组合来表示某个元素。过完备字典是一个列数大于行数的行满秩矩阵，也就是说，它的列向量有无数种线性组合来表达 ...

由于最近正在做图像超分辨重建方面的研究，有幸看到了杨建超老师和马毅老师等大牛于2010年发表的一篇关于图像超分辨率的经典论文《ImageSuper-Resolution Via Sparse Representation》，于是对该论文进行大概的翻译，如有不当之处，还请大家帮忙多多指正 ...

该算法受到了最近的（manifold learning）流行学习算法的启发，特别是局部线性嵌入（LLE）。我们运用局部重叠来增强重建高分图像块之间的兼容性和平滑约束。具体来说，高分和低分图像块在两个不同的特征空间中形成了类似局部几何的流形。就像LLE中，局部几何结构特征是通过 一个块（patch ...

之前介绍了第一篇超分辨率模型在深度学习中的实现——SRCNN模型，具体的介绍请参看我这一篇博客：https://www.cnblogs.com/Robin-tao/p/12942977.html SRCNN的缺点是：(1) 是依赖于图像区域的context；(2)是训练收敛速度太慢 ...