【导读】图像超分(SR, Super-Resolution)图像处理及数据非常重要的应用方向,主要目标在于增强原始图像与视频的分辨率精度。最近这些年,非常多的图像超分问题研究均采用了深度学习的架构,本篇综述希望通过全面回顾基于深度学习的图像超分方法,帮助大家快速了解这一领域的最新动态。
介绍:
图像超分问题,主要目标是图像处理技术中的重要研究方向,主要目标是将图片从低分辨率恢复到高分辨率的图像。这类方法具有非常广泛的应用价值,比如医疗影像、安防等等。通常来说,这一问题非常具有挑战性,因为总是存在多种对应于相同低分辨率图像的高分辨率映射。在以往的研究中,提出了一些传统的超分方法,包括基于预测的方法,基于边的方法,以及稀疏表示方法等等。
随着深度学习技术的快速发展,基于深度学习的图像超分方法已经被开发出来,并且在多个测试任务上,取得了目前最优的性能效果。多种深度学习方法已经被应用到具体的图像超分任务中,从早期的卷积神经网络(SRCNN)到最近提出的基于GAN的超分方法。通常来说,使用了深度学习的超分算法类中,存在着以下几种不同之处:网络架构不同、损失函数不同、学习原理、策略不同等。
在这篇文章中,主要给出了在超分算法中使用深度学习技术的一些优势。虽然存在着一些其他关于超分算法的综述,但我们不同之处在于主要关注基于深度学习的超分算法,而不像其他早期工作那样关注于传统的超分算法综述。本篇综述给出了一个统一的深度学习视角,来回顾最近的超分技术进展。
近期综述
S. C. Park, M. K. Park, and M. G. Kang, “Super-resolution image
reconstruction: A technical overview,” IEEE Signal Processing
Magazine, vol. 20, 2003.
K. Nasrollahi and T. B. Moeslund, “Super-resolution: A comprehensive
survey,” Machine Vision and Applications, vol. 25, 2014.
J. Tian and K.-K. Ma, “A survey on super-resolution imaging,”
Signal, Image and Video Processing, vol. 5, 2011.
J. Van Ouwerkerk, “Image super-resolution survey,” Image and
Vision Computing, vol. 24, 2006.
C.-Y. Yang, C. Ma, and M.-H. Yang, “Single-image superresolution:
A benchmark,” in ECCV, 2014.
D. Thapa, K. Raahemifar,W. R. Bobier, and V. Lakshminarayanan,
“A performance comparison among different super-resolution
techniques,” Computers & Electrical Engineering, vol. 54, 2016.
本文的主要贡献包括三个方面:
给出了一个综合的基于深度学习的图像超分技术综述,包括问题设置、数据集、性能度量、一组基于深度学习的图像超分方法集合,特定领域的图像超分方法应用等等。
为最近基于深度学习的图像超分算法提供了系统性、结构化的视角,并总结了高效图像超分解决方案中的优势于劣势。
我们讨论了这个领域的挑战与开放问题,并总结了最近的新趋势与未来的发展方向。
【图像超分方法最新论文下载】
请关注专知公众号(点击上方蓝色专知关注)
后台回复“SRDL” 就可以获取图像超分最新综述论文的下载链接~
图像超分算法分类:
公开数据集:
附论文全文:
-END-
专 · 知
专知《深度学习:算法到实战》课程全部完成!480+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询!
请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询《深度学习:算法到实战》课程,咨询技术商务合作~
请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料!
点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程