通过2D稀疏表示实现单图像超分辨率

基于参考的图像超分辨率重建相关工作.doc

本代码实现了单帧超分辨率重建，效果比传统的样条插值好很多，关于本代码的IEEE文献后期再上传 本代码实现了单帧超分辨率重建，效果比传统的样条插值好很多，关于本代码的IEEE文献后期再上传

图像超分辨率（ISR） 该项目的目标是扩大和提高低分辨率图像的质量。 该项目包含针对单一图像超分辨率（ISR）的各种残差密集网络的Keras实现，以及使用内容和对抗性损失组件来训练这些网络的脚本。 已实施的网络包括： 残差密集网络中描述的超规模残差密集网络（Zhang et al.2018） 网络中描述的残留致密网络中的超规模残留（Wang等人，2018） Keras VGG19网络的多输出版本，用于感知损失中的深度特征提取 一种自定义判别器网络，基于（SRGANS，Ledig et al.2017）中的描述 阅读完整的文档，为： : 。 和进行培训和预测。 此外，我们提供了一些脚本，以简化AWS和在云上的培训，仅需少量命令。 ISR与Python 3.6兼容，并在Apache 2.0许可下分发。 我们欢迎任何形式的贡献。 如果您想贡献，请参阅部分。 内容 预训练网络 创建模型对象时，可直接获得用于生成这些图像的权重。 当前有4种型号可用： RDN：较大的psnr，较小的psnr，取消噪声 RRDN：甘斯 用法示例： model = RRDN(weights=

通过稀疏分解法实时获得图像对应的像素补丁patch，之后将补丁为该图像进行超分辨率的结果一部分，最后拼接

function y = pocs(s,delta_est,factor) POCS开源代码

代码包括低分辨率图像的获取和矫正和重构，已经解释和测试

谷歌2016图像超分辨率论文源码，RAISR: Rapid and Accurate Image Super Resolution，宣称是可以在重建质量不差情况下，速度比目前算法如A+之类，能够有10到100倍性能提升，比较有工程意义。

基于MATLAB的图像超分辨率重建程序，使用的是训练后的SRCNN方法，自带训练库。 (降积分)充字数........

加速图像超分辨率卷积神经网络（FSRCNN）完整代码实现，基于python和TensorFlow。代码主要实现了港中大董超的ECCV论文Accelerating the Super-Resolution Convolutional Neural Network。