深度学习：图像超分辨率重建

目的：将图像从低分辨率图像转换为高清超分辨率图像，传统方式是双线性插值

1.SRCNN：模型参考：https://blog.csdn.net/Autism_/article/details/79401798

     作者在获取训练和测试样本时使用了自动生成的方法，非常巧妙，也有人是通过高清相机和手机照片对同一物体进行拍摄，并由此作为训练集，方法没有上述作者的好。

     SRCNN是首个使用深度学习进行高分辨率转换的算法，部分论文中说SRCNN 很难训练，它对超参数的变化非常敏感，并且MSE（均方差）作为loss不是太别好，所以有人提出改进：http://ai.51cto.com/art/201711/557334.htm

2.FSRCNN：https://www.cnblogs.com/ranjiewen/articles/9094321.html

    模型论文及实验结果：http://mmlab.ie.cuhk.edu.hk/projects/FSRCNN.html

3.其它方法还有：ESPCN、VDSR、DRCN、RED、DRRN、SRDenseNet、SRGAN、EDSR等等，参考：https://www.cnblogs.com/ranjiewen/articles/9094321.html

4.SRCNN与FSRCNN的比较参考：https://blog.csdn.net/weixin_38203533/article/details/80704039

5.从SRCNN到EDSR的介绍：https://blog.csdn.net/aBlueMouse/article/details/78710553

   EDSR是NTIRE2017超分辨率挑战赛上获得冠军的方案

6.不同方法对比

SRCNN：开山之作，需要先将低分辨率图像使用插值转为高分辨率图像，然后经过卷积层后对图像中心区域的部分进行loss计算（图像经过多层后尺寸会缩小）

FSRCNN：与SRCNN是同一个作者，输入图像不再是插值图像，而是原始低分辨率图像，最后层对特征图像进行反卷积到高分辨率图像尺寸，效率有很大提高

ESPCN： Efficient Sub-Pixel Convolutional Neural Network, 亚像素卷积神经网络，如果放大比例为r，则最后层会生成r*r个通道的且与低分辨率图像大小一样的图像，将同一个像素位置的r*r个点排列成r行r列的块，然后所有的块组合一起就成了高分辨率图像

VDSR： Very Deep Convolutional Networks，引入了resnet结构，对残差（高频图像）进行训练，收敛速度快，输入为插值图像

DRCN：Deeply-Recursive Convolutional Network for Image Super-Resolution，引入rnn和resnet进行网络训练，输入为插值图像

RED：这篇文章提出了由对称的卷积层-反卷积层构成的网络结构，作为一个编码-解码框架，可以学习由低质图像到原始图像端到端的映射，RED的网络深度为30层，损失函数用的均方误差。

SRDenseNet：引入DenseNet结构，即前一层的特征均传到后面的所有层，减轻了模型梯度消失

SRGAN：将Gan对抗网络引入到高分辨率图像生成中

EDSR：enhanced deep super-resolution，作为2017的冠军，主要是在SRResNet网络上做了改进，去掉了bach-normlize层，Batch Norm会忽略图像像素（或者特征）之间的绝对差异（因为均值归零，方差归一），而只考虑相对差异，所以在不需要绝对差异的任务中（比如分类），有锦上添花的效果。而对于图像超分辨率这种需要利用绝对差异的任务，Batch Norm只会添乱。去掉了BN层之后，作者加深了网络层数。参考https://blog.csdn.net/prinstinadl/article/details/80835088