全文翻译：Deep Learning for Image Super-resolution: A Survey

综述用于图像超分辨率的深度学习

作者：Zhihao Wang, Jian Chen, Steven C.H. Hoi, Fellow, IEEE
论文地址：https://arxiv.org/abs/1902.06068

摘要

  图像超分辨率（SR）是一类重要的图像处理技术，可提高计算机视觉中图像和视频的分辨率。 近年来，目睹了使用深度学习技术的图像超分辨率的显着进步。 本文旨在针对使用深度学习方法的图像超分辨率的最新进展提供全面的调查。 通常，我们可以将现有的SR技术研究大致分为三大类：监督SR，无监督SR和领域特定SR。 此外，我们还涵盖了其他一些重要问题，例如公开可用的基准数据集和性能评估指标。 最后，我们通过重点介绍未来的一些方向和未解决的问题来结束本调查，社区应在将来进一步解决这些问题。

1. 介绍

  图像超分辨率（SR）是指从低分辨率（LR）图像中恢复高分辨率（HR）图像的过程，是计算机视觉和图像处理中一类重要的图像处理技术。 它享有广泛的实际应用，例如医学成像[1]，[2]，[3]，监视和安全[4]，[5]。 除了改善图像感知质量外，它还有助于改善其他计算机视觉任务[6]，[7]，[8]，[9]。 通常，此问题非常具有挑战性，并且固有地存在不适，因为始终有多个HR图像对应于单个LR图像。 在文献中，已经提出了多种经典的SR方法，包括基于预测的方法[10]，[11]，[12]，基于边缘的方法[13]，[14]，统计