单幅图像超分辨率综述

这篇论文从三个方面进行描述：网络结构的设计、损失函数、还有上采样的方式。

上采样可以选择预先上采样，虽然这会使整个网络在高维空间运行，但是可以使用尺度增强的策略，避免训练多个不同尺度因子的网络结构，相比较而言，这也会节约大量的时间。

预先上采样的方式会引入不必要的噪声，因此可以在损失函数中加入正则项。可以参考下面这篇论文。

 网络结构的设计也是最为重要的。在经历的大量的实践之后，发现网络的复现是十分难的，这时可以选择一个简单的模型结构作为基准模型，然后在这个的基础上进行改进。模型的设计，可以选择残差策略、多尺度、注意力机制进行设计。

 

这篇论文将SR分成了有监督和无监督。有监督需要成对的样本对，无监督不需要成对的样本对。因此，无监督也可以作为盲超分的解决方案。

 因此, 后续 可以考虑在模型的学习过程中, 将全局信息和局部信 息、底层特征与高层次特征相结合的思想, 利用不同 尺度、不同层次的语义信息加强网络对图像特征的表 征能力, 从而提升 SISR 算法的重建性能.

 

 

参考文献：

超分模型总结_黄聪明的博客-CSDN博客_超分中的经典模块

图像超分算法总结_Mick..的博客-CSDN博客_图像超分算法

图像超分辨率综述：Deep Learning for Image Super-resolution: A Survey 阅读笔记_刘芋儿的博客-CSDN博客_图像超分综述