qq_43426078的博客

blind和non-blind的区别用一句话来概括就是：是否假设退化核已知并将其作用于图像来做网络训练。non-blind Super Resolution： 这类方法在训练过程中都假设了退化核(也可以叫退化函数，其实就是degradation)已知，也就是说，在训练过程中一般都会使用一个确定的退化核从HR得到LR，然后来做训练。深度学习做超分早期的大部分工作都是non-blind SR，一般过程是，把假设已知的退化核作用在图像上得到退化后的LR图像，用LR和HR来训练网络，得到的网络在面对同样退化核产

博主算是刚入超分辨的坑没多久，自己在看论文的时候，会遇到很多名词，拆开来每个单词我都认识，但是组合起来就是不知道他在讲什么......最难受的是很多名词都缺乏中文（甚至英文）的解释。可能刚入门的时候要知道某个名词（词组）是在说什么都要花很多时间去查去考证。我想很多朋友可能都有过类似的经历。写这篇博客的目的一方面是记录一下自己查过的名词，方便以后查阅。另一方面是给很多和我一样还在入坑中的或者比我入坑要晚的小伙伴一点便利。博文会持续更新。

Low-level任务：常见的包括 Super-Resolution，denoise， deblur， dehze， low-light enhancement， deartifacts等。简单来说，是把特定降质下的图片还原成好看的图像，现在基本上用end-to-end的模型来学习这类 ill-posed问题的求解过程，客观指标主要是PSNR，SSIM，大家指标都刷的很高。目前面临以下几点问题：泛化性差，换个数据集，同种任务变现就很差客观指标与主观感受存在，GAP，指标刷很高，人眼观感不佳，用GAN可缓

拉普拉斯金字塔的目的是解决图像下采样后高频信息丢失的问题。拉普拉斯金字塔保存了下采样图像和原图像之间的差分图像（其实就是残差的概念，对原始图像做下采样，并保存采样后图像与原图像之间的残差）。这样就可以通过低分辨图像和残差恢复出高分辨图像。图示如下：

写在前面的一点话网上讲解基本双线性插值、双三次线性插值的文章很多，但大部分都是只在讲为什么是这样，并不算非常通俗（起码对我来说需要额外查很多资料来补充理解）。很少有文章能够给初学者一些比较直观的理解，因此在经过痛苦的学习过程后，希望把自己的一点理解分享给大家。（如有错误欢迎讨论指正）在讲细节之前，我们要先明白插值的作用是什么插值简单来说就是resize，改变图像的尺寸（不是简单的成比例扩大和缩小，可以理解为基于旧图片生成新的图片，总像素数量发生变化）。这样就意味着，插值实际上可以实现两种功能：upsc