深度学习用于图像超分辨率重建综述——超分辨率（一)_multi-view super-resolution reconstruction using d

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上C C++开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以戳这里获取

3. 全局和局部网络结构设计

• 残差学习（residual learning），在ResNet被提出之前，在超分领域对残差进行学习的思想已经在很多研究工作中出现。其中，全局残差学习（global residual learning）只是学习插值后得到的图像和高分辨率图像之间的残差，通过学习一张残差图来恢复高频细节；而局部残差学习（local residual learning）则类似于ResNet中的短连接（shortcut connection）。
• 递归学习（recursive learning）可以不引入额外参数的同时，大大增加网络的感受野，做法就是递归地多次使用同个模块，例如对同一卷积层递归使用多次，还有将大的超分倍增系数的问题，分解成多个子问题，使用递归的网络子结构来解决等等。但是，递归学习容易出现梯度消失和爆炸的问题，需要将残差学习和多级监督等策略融入进来以减轻这些问题。
• 多支路学习（multi-path learning）主要思路是为网络设计多条支路来提升模型的容量和表达能力，分为全局多支路学习（global multi-path learning）、局部多支路学习（localmulti-path learning）、尺度相关的多支路学习（scale-specificmulti-path learning）等
• 稠密连接（dense con