对深度学习上的超分辨率认知（一）

从本质上对深度学习和超分辨率进行梳理

温故而知新

超分辨率

作为处理图像的其中一个问题，和它同一个层次的还有降噪（Denoising)，抗模糊（Deblurring），缺失修复（Inpainting）。难度（相对的）也是依次递增的。传统观念上讲，他们每一个的处理方式都有各自专门的算法（包括SR）。比如说，去噪是为了去除图像中的干扰（噪声），去模糊就是对图像进行锐化，超分辨率是将低分辨率图像重建为高分辨率问题。
对于分辨率，会存在一个误区。图像的分辨率是有单位的，一般使用像素每英寸（DPI）来表征。从单位来理解这个概念就很容易了。提高分辨率根据这个单位来讲有两种方法，一个是增大像素，一个是减小面积。在电脑上显示一张图片时分辨率是没有什么意义的，因为显示器的分辨率是固定的。但是超分辨率就不一样了，超分辨率得到的HR图片是根本的像素变多了，也就意味着在打印这张HR图片的时候，尺寸会变大。可以这么理解，原来的低分辨率图像是用一部600W像素的照相机拍摄的，高分辨率图像是800W像素拍摄的同一个场景。洗出来的时候大小一样，但是明显后者照片的质量更加高，更加清晰，也就间接的做了Deblurring的事情（当然deblurring还有别的更针对性的算法）。那么超分辨率技术解决的就是把LR图像映射到HR图像。
上面说到了映射，如何做到解决超分辨率其实就是如何找出这个映射的关系。
传统的超分辨率技术诸如稀疏编码，贝叶斯等等，不多赘述。我们要做的是从深度学习的角度来找出这个映射。