图像超分辨率技术
一.传统图像超分辨率技术，主要包括
1.基于插值的技术（最近邻插值，双线性插值，双三次插值）
2.基于重建的方法（主要使用数学中概率论和集合论的方法包括，凸集投影法，贝叶斯分析法，迭代反投影法，后验概率方法，正规化法，混合方法）
3.基于学习的方法（非深度学习，机器学习，example_base方法，邻域嵌入方法，支持向量回归方法，稀疏表示法）
二.定义基于深度学习的图像超分辨率重建问题
为监督学习问题，先将原图缩小为一张缩小图，对比后调整模型，并通过模型重建，根据各项指标来判定重建后的好坏，图示如下：
模型学习目标：寻找一个参数
,使得损失函数L最小
三.如何获得低分辨率图像
降级公式如下：
降级方式分为简单的下采样和加入模糊与噪声的下采样，其中，加入模糊与噪声的下采样，里面加入了卷积操作和噪声
四.如何评价超分图像的质量
峰值信噪比（客观）
结构相似度（客观）
标准差（客观）
意见平均分（主观）
五.超分网络的结构分类
预上采样：
先上采样到和目标同样大小，然后输入网络进行学习，无需要考虑输入图像和输出图像不匹配的问题，简化了建模的过程。缺点：上采样的过程会产生一些纹理干扰模型学习，在训练过程中所有的计算都在高维空间进行，增加了计算的复杂度。
后上采样：
在网络的最后一层上采样到目标大小，训练过程中最后上采样，上采样之前的计算是在低维空间进行，降低了模型的复杂度，另外可以让网络自适应的学习上采样，缺点：上采样倍数较大时，由于信息的缺失，一个上采样层也是不堪重负的，学习难度快速升高，这种方法不能适应不同的放大倍数，要为每一种放大倍数重新训练一次模型，很不方便。
逐步上采样：
通过多次上采样，逐步获得目标尺寸的超分图像，这种设计不仅降低学习难度，一定程度上兼容不同的放大倍数，架构复杂性训练难度很高
交替式上下采样：
能够挖掘高清与低清之间的依赖关系，实验证明这样的关系能得到更好的效果，网络结构复杂还需要进一步研究和探索
参考：