目录

图像超分辨率 Super Resolution     ​​​

深度学习时代的超分辨率算法

卷积网络模型SRCNN FSRCNN SRResNet

Super-Resolution CNN, SRCNN, 2014

Fast SRCNN 2016

SRResNet 2016

对抗生成网络介绍Ganerative Adversarial Network 

基于GAN的模型SRGAN与ESRGAN

SRGAN2017

Enhanced SRGAN 2018

视频超分辨率Video Super Resolution

---

• 图像超分辨率 Super Resolution     ​​​

  • 图像超分辨率：根据从低分辨率图像重构高分辨率图像
  • 图像超分辨率的目标：     

    • 

  •  超分辨率的类型：
    • 
  • 单图超分的解决思路
    • 
  • 经典方法：稀疏编码Sparse Coding
    • 
    • 
    • 稀疏编码的缺点：
      • 

  • 深度学习时代的超分辨率算法

    • 基于卷积网络和普通损失函数        
      • 使用卷积神经网络，端到端从低分辨率图像恢复高分辨率图像
      • 代表算法：SRCNN与FSRCNN
    • 使用生成对抗网络
      • 采用生成对抗网络的策略，鼓励产生细节更为真实的高分辨率图像
      • 代表算法：SRGAN与ESRGAN

  • 卷积网络模型SRCNN FSRCNN SRResNet

  • Super-Resolution CNN, SRCNN, 2014

    • 
    • SRCNN模型功能划分
      • 
      • 第一层：特征提取
        • 
      • 第一层的卷积核
        • 
      • 第二层：非线性映射
        • 
      • 第三层：图像重构
        • 
      • SRCNN的训练
        • 
      • SRCNN的性能
        • 
      • SRCNN的速度问题
        • 

  • Fast SRCNN 2016

    • 
    • 转置卷积扩大特征图尺寸
      • 
    • 缩小层和放大层
      • 
      • 
    • FSRCNN的优势
      • 
    • 转置卷积的缺陷
      • 
      • 
    • 次像素卷积Subpixel convolution
      • 

  • SRResNet 2016

    • 
  • 图像超分辨率中的损失函数 MSE Loss, Perceptual Loss
    • 感知损失 vs 均方误差
      • 
    • Mean Squared Error 均方误差
      • 
      • 
    • 感知损失
      • 
    • 特征重构损失函数
      • 

  • 对抗生成网络介绍Ganerative Adversarial Network 

    • 
    • 使用GAN生成图像
      • 
    • 使用GAN转译图像
      • 
    • GAN应用于超分辨率
      • 
    • 图像数据在高维空间中的分布
      • 
    • 用神经网络表示数据分布
      • 
    • 如何学习生成器网络
      • 
    • 对抗训练
      • 
    • GAN的优化目标
      • 
    • 基于多层感知器的GAN模型
      • 
    • Deep Convolutional GAN，DCGAN
      • 
    • GAN 应用于图像超分辨率        
      • 

• 基于GAN的模型SRGAN与ESRGAN

  • SRGAN2017

    • 
    • SRGAN的训练
      • 

  • Enhanced SRGAN 2018

    • 
    • 使用RRDB模块替换残差模块
      • 
    • 使用RaGAN替换GAN
      • 
    • 使用非线性激活前的响应计算感知损失
      •  
      • 

      • 

    • ESRGAN的性能比较

      • 

    • ESRGAN修复经典游戏

      • 

• 视频超分辨率Video Super Resolution

  • 利用多帧进行超分
    • 
  • 视频复原的典型流程
    • 
  • EDVR 
    • 
    • 
  • 可变形卷积Deformable Convolution
    • 
  • 用于对齐的可变形卷积
    • 
  • 
  • 

  • 

• BasicVSR
  •