超分辨率提升IRN网络

1. 介绍

IRN网络，实质就是为了解决图像还原的损失最小化（优化）的问题。（压缩后图像还原）

首先我们采样图像等信号时候是连续的，而在计算机获取时候是离散的！所以，很明显信号状态由连续变为离散，这就会有损失了，那么损失误差是不是在容许的范围内，根据采样得到离散的点能不能还原出连续的信号？这就是该理论产生的原因，它就来帮助你解决这个问题！
该采样定理的结论是：找到信号最大的频率分量，再用2倍于最大频率分量的采样频率对信号进行采样，从理论上解决了，离散信号能够重建出连续信号的问题。

2. 网络结构

• 如下网络结构图，利用小波变换把原图X分解成如图4个分量，这4个分量分别对应高频分量XH，对应三个不同方向的高频分量H(水平)、V(垂直)、D(对角)，低分部分XL，对应A。这里的低频分量与双线性插值降采样得到的低分辨率结果是一样的，而高频分量则是在降采样过程中被丢失的信息。

• 各分量输入网络中，由堆叠的缩减模块组成，每个模块都包含一小波变换模块和几个可逆神经网络模块（InvBlocks），每个缩减模块将空间分辨率降低２倍。而这些INVBlocks就是来表示”潜在变量“的，熟悉不，嘿嘿，流模型的本质呢！
  

• 该可逆神经网络模块中,核心操作就是”分块耦合“！！这里采用了进化版本， Density estimation using Real NVP的仿射变换的耦合！下图就是NVP模型论文的正向缩小和反向放大的耦合原理！