qq_41950533的博客

0.摘要在边缘检测、语义图像分割、数字识别和场景识别四种常用的视觉任务上，对六种SR方法（ANR, A+, SR-CNN, JOR, and SRF）进行了评价。当其他视觉系统的输入图像是低分辨率时，应用SR确实能改善它们的性能。我们还研究了四个标准知觉评价标准(即PSNR、SSIM、IFC和NQM)与SR对视觉任务的有效性之间的相关性。实验表明，它们通常有较好的关联性，但不够精确，不足以作为有用性的证明。本位也是想要把sr放到预处理阶段...

ECCV2018论文：http://arxiv.org/pdf/1807.02758.pdf1.摘要有两个创新点：1.Residual in residual结构，可以构造更深的的网络结构。因为我暂时不想在上采样的时候设计过深的网络，所以浅浅介绍。之前好像看过一篇论文叫ResNet In ResNet，也是重构残差模块来构造更深层网络。2.Channel Attention提出了一个信道注意机制来自适应调整信道特征通过考虑信道间的相互依赖性最后作者把Residual in residual和

论文：https://arxiv.org/abs/1902.060681.基于监督学习的图像超分辨率模型框架目前的SR还是侧重于有监督的学习，根据上采样的阶段不同划分为四种类型的模型框架：1.1Pre-upsampling 预上采样方法：利用传统的上采样算法获得更高分辨率的图像，然后使用深度神经网络对其进行细化优点：①较困难的上采样任务是通过预定义的传统算法完成的，深度cnn只需要对粗图像进行细化，大大降低了学习难度②这些模型可以以任意大小和缩放因子的插值图像作为输入并给出与单尺度SR模型性

1.个人的设想 def forward(self,x): """残差模块""" resudial = x out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.conv2(x) out = self.bn2(out) out = self.relu

ECCV2016论文下载地址：Accelerating the Super-Resolution Convolutional Neural Network0.摘要FSRCNN直接采用低分辨的图像作为输入，不同于SRCNN需要先对低分辨率的图像进行双三次插值然后作为输入；FSRCNN在网络的最后采用反卷积层实现上采样；FSRCNN选择更小尺寸的滤波器和更深的网络结构。1.结构特征提取：一次用5*5卷积,因为现在输入的图片尺寸变小了。压缩：采用小的感受野1*1节约计算能力，同时输出采用s&lt

论文下载：Learning a Deep Convolutional Network for Image Super-Resolution代码下载：https://github.com/tegg89/SRCNN-Tensorflow0.前期知识图像超分辨率重建技术：用低质量、低分辨率图像(或运动序列)来产生单幅高质量、高分辨率图像...

cvpr2016论文下载：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network代码：https://github.com/leftthomas/ESPCN1.结构ESPCN的核心概念是亚像素卷积层(sub-pixel convolutional layer)。网络的输入是原始低分辨率图像，通过三个卷积层以后，得到通道数为放大倍数的立方的与输