由于目前监控视频所拍摄的人脸图像目标较小、难以辨识, 图像超分辨处理已成为亟待解决监控视频图像实际应用问题的技术和手段。提出了一种针对室外监控视频人脸图像的超分辨技术,利用先验知识设置图像训练集, 并进行图像空间转化、去噪等预处理操作; 设计八层卷积神经网络并对各层类型及连接方式进行设定, 同时设定激活函数类型及各层间传递方式函数; 初始化参数并根据训练集训练网络; 根据损失函数反向调整卷积核和偏置参数, 完成图像输出。经过大量实际监控视频图像测试, 并将本文方法和现有其他方法做对比, 实验结果表明,本文方法在图像超分辨效果和处理速度上均有一定的优势。

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

基于稀疏表示的图像超分辨是基于学习的超分辨方法，比双三线性插值能取得更好的效果

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。