公司网站公司简介seo基本概念

超分辨率（Super-resolution）概念理解：

wiki：超分辨率成像（SR-imaging）是提高成像系统分辨率的一类技术。光学SR技术可以超越系统的衍射极限，而几何SR则可以提高数字成像传感器的分辨率。超分辨率成像技术广泛应用于图像处理和超分辨显微术中。

形象理解：

给定图像的像素越高，表示图像质量越接近于原始图像。如果把低像素的图片放大到一定程度，图片会变得非常模糊，类似于马赛克的情况。效果如下图所示：

如果想让上述图像变得清新，这是需要的技术就是超分辨率重构了。

超分辨率重构现有方法：

在知乎上有看到一个帖子：图像超分辨率重构技术还有什么可研究吗？以本人的理解，任何一项技术都有研究和提高的余地，技术进步不就是这样一点点来的吗？总结一下现有的SR技术方法，并附找到的项目链接：

（1）稀疏编码方法（Sparse Coding）

• Image super-resolution as sparse representation of raw image patches (CVPR2008)
• 基于原始图像块稀疏表示的图像超分辨率
  
• Image super-resolution via sparse representation (TIP2010)
• Coupled dictionary training for image super-resolution (TIP2011)

（2）Self-Exemplars

• Single Image Super-Resolution from Transformed Self-Exemplars (CVPR2015)

（3）贝叶斯方法

• Naive Bayes Super-Resolution Forest (ICCV2015)

（4）基于金字塔算法

• http://vllab.ucmerced.edu/wlai24/LapSRN/

（5）深度学习方法（近几年文章很多啊）

• Image Super-Resolution Using Deep Convolutional Networks (ECCV2014)
• Deep Networks for Image Super-Resolution with Sparse Prior (ICCV2015)
• Robust Single Image Super-Resolution via Deep Networks with Sparse Prior (TIP2016)

• Accurate Image Super-Resolution Using Very Deep Convolutional Networks (CVPR2016)
• Deeply-Recursive Convolutional Network for Image Super-Resolution (CVPR2016)
• Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network (CVPR2016)

• Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution (CVPR 2017),
• Enhanced Deep Residual Networks for Single Image Super-Resolution (Winner of NTIRE2017 Super-Resolution Challenge)

关于深度学习在超分辨率重建中的应用：https://zhuanlan.zhihu.com/p/25532538?utm_medium=social&utm_source=weibo

给出了几种实现方法及介绍，github里面相应的项目实现。另外还发现一篇有点尺度的文章《用GAN去除(爱情)动作片中的马赛克和衣服》，感兴趣的请参见这里。

（6）Perceptual Loss and GAN（损失函数上改进）

• Perceptual Losses for Real-Time Style Transfer and Super-Resolution (ECCV2016)
• Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network (CVPR2017)

（7）Google基于哈希机制的实现

• 《RAISR: Rapid and Accurate Image Super Resolution》
  

分析：http://blog.csdn.net/jiangjieqazwsx/article/details/69055753

（8）视频SR

• https://users.soe.ucsc.edu/~milanfar/software/superresolution.html
  
• Real-Time Video Super-Resolution with Spatio-Temporal Networks and Motion Compensation (CVPR2017)

小结：SR使用稀疏编码方法取得的方法已经堪称state-of-the-art级别，深度学习出现后又将效果进一步提升。

11.15增补：

今天看到一篇论文：《Super-Resolution From a Single Image 》（http://www.wisdom.weizmann.ac.il/~vision/SingleImageSR.html），http://cs.brown.edu/courses/csci1950-g/results/final/pachecoj/ ，

另外附几个相关网页：

https://people.mpi-inf.mpg.de/~kkim/supres/supres.htm

《Example-Based-Super-Resolution-Freeman》

18.1.3增补：

神经网络实现：

（1）《Accelerating the Super-Resolution Convolutional Neural Network》，使用matlab的实现。

（2）《Pixel Recursive Super Resolution》，项目实现链接。

参考：

https://en.wikipedia.org/wiki/Super-resolution_imaging

https://www.zhihu.com/question/38637977

https://github.com/huangzehao/Super-Resolution.Benckmark

https://zhuanlan.zhihu.com/p/25532538