最新23页《深度学习图像超分辨率应用综述》论文，带你全面了解深度学习超分方法（附下载）- 专知

最新23页《深度学习图像超分辨率应用综述》论文，带你全面了解深度学习超分方法（附下载）

【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.