超分辨率（深度学习）_ipt模型代码复现

link之家

链接快照平台

输入网页链接，自动生成快照
标签化管理网页链接

1. 超分辨率的综述

链接： http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190031

2. 超分辨率模型的学习以及代码复现

《Image Super-Resolution Using Very Deep Residual Channel Attention Networks》— RCAN
文章原文： （ECCV 2018） https://arxiv.org/abs/1807.02758
文章解析： https://blog.csdn.net/weixin_41804998/article/details/109209721
代码： https://github.com/yulunzhang/RCAN
《Pre-Trained Image Processing Transformer》—IPT
文章原文： https://arxiv.org/pdf/2012.00364.pdf
文章解析： https://blog.csdn.net/qq_44747572/article/details/121252293
代码： https://github.com/huawei-noah/Pretrained-IPT

文章目录1. RCAN1. RCAN文章原文：（ECCV 2018）https://arxiv.org/abs/1807.02758文章解析：链接代码： https://github.com/yulunzhang/RCAN

超 分辨率 技术（Super-Resolution）是指从观测到的低 分辨率 图像重建出相应的高 分辨率 图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。SR可分为两类:从多张低 分辨率 图像重建出高 分辨率 图像和从单张低 分辨率 图像重建出高 分辨率 图像。基于深度学习的SR，主要是基于单张低 分辨率 的重建方法，即SingleImageSuper-Resolution(SISR)。SISR是一个逆问题，对于一个低 分辨率 图像，可能存在许多不同的高 分辨率 图像与之对应，因此通常在求解高 分辨率 图像时会加一个先验信息进行规范化约束。在传统的方法中，这个先验信息可以通过若干成对出现的低-高 分辨率 图像的实例中学到。而基

https://blog.csdn.net/aBlueMouse/article/details/78710553 超 分辨率 技术（Super-Resolution, SR）是指从观测到的低 分辨率 图像重建出相应的高 分辨率 图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。本文针对端到端的基于深度学习的单张图像超 分辨率 方法(Single Image Super-Resolu...

图像复原：恢复图像，前后 分辨率 不变，超 分辨率 复原，不仅恢复图像，提高 分辨率 。图像的 分辨率 ：图像的 分辨率 越高，一幅图像的像素所代表的图像面积越小，图像越精细。图像复原：是根据图像退化的先验知识建立一个退化模型，然后以此模型为基础，采用各种逆退化处理方法逐步进行恢复，从而达到改善图像质量的目的。效果好坏决定于先验知识掌握的充分程度。近年来的超 分辨率 是通过单幅或者一系列有亚像素偏移多

三.Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network(ESPCN) 本篇文章了提出了一种新型的CNN框架，用于实现在低 分辨率 的图像上提取特征并进行超分辨处理。而之前的超分辨方法需将低 分辨率 图像上采样至高 分辨率 图像的尺寸，再使用滤波器

深度学习在图像超 分辨率 方面有广泛的应用。图像超 分辨率 是指将低 分辨率 图像恢复到高 分辨率 的过程。传统的方法通常依赖于插值或者基于统计模型的方法，但是这些方法往往无法恢复出细节和清晰度。深度学习通过使用卷积神经网络（CNN）来学习从低 分辨率 图像到高 分辨率 图像的映射关系。其中，常用的模型包括SRCNN、ESPCN、SRGAN等。这些模型可以通过对大量高 分辨率 和低 分辨率 图像进行训练，来学习图像中的细节和结构，并生成更加清晰的高 分辨率 图像。在实际应用中，图像超 分辨率 可以应用于增强图像质量、提升视频清晰度、医学影像重建等方面。然而，图像超 分辨率 也面临一些挑战，例如处理大尺寸图像时的计算复杂性、训练数据的获取和配准等问题。总体来说，深度学习在图像超 分辨率 方面取得了显著的进展，并且有望在未来进一步推动该领域的发展。