图像超分辨率重建研究存在结果客观衡量指标不断变优，但是视觉感知质量依旧平滑的问题。同时，应用生成对抗网络的超分辨率模型中的鉴别器（discriminator）设计存在一个普遍的问题，即训练不稳定问题。针对以上问题作出两点改进：提出多损失融合的方法，寻求一种在PSNR指标与感知质量之间的平衡，通过将均方误差损失、感知损失、风格损失与对抗损失进行融合的方法，在提高PSNR值的同时，改善图像视觉质量；在基于生成对抗网络的超分辨率模型的鉴别器设计中引入谱归一化（spectral normalization），以实现更稳定有效的训练。结果显示，改进后的方法得到了更高的PSNR指标与更逼真的视觉感知质量，并进一步表明感知质量对于超分辨率重建的重要性。

至上—超分辨率方法 这是执行多图像超分辨率成像的实验研究软件。 它要求使用例如Elastix或的预先注册图像。 您最有可能只对运行doc/example/super_resolve.py 。 该脚本要求图像为。 牛津图书馆序列提供了一个。 有关这项工作的完整技术概述，请参阅或。 现在，该库中的许多功能已移植到 。

将RCAN模型已下载，测试成功，由于上传大小的原因，直将其中的三个模型上传此处。跑程序时可以实现。详情可以在github上得到答案

张量超分辨率 使用规范多元和Tucker分解的3D SISR 该存储库包含文章的算法 - TF_SISR.m张量为3-d超分辨率随着应用因子分解法在牙科CT Janka Hatvani;阿德里安巴萨拉布;让伊夫Tourneret;米克洛什Gyöngy;丹尼斯夸梅 2021接受） -TD_SISR.m使用Tucker分解的嘈杂3D牙科CT图像的单图像超分辨率作者：J. Hatvani，A. Basarab，J. Michetti，M 。Gyöngy，D。Kouamé 为了运行代码，您将需要从下载tensorlab工具箱并将源代码添加到``tensorlab_2016-03-28''（或最新版本）文件夹中。 gt_link.txt和train_link.txt中提供了指向高分辨率和低分辨率图像样本的链接。

超分辨率代码超分辨率代码超分辨率代码超分辨率代码超分辨率代码

Image Super-Resolution via Sparse Representation 关于超分辨率的稀疏表示matlab源代码

超分辨率图像重建常用训练集

SRCNN代码测试时的步骤分析。 只包含函数名，部分代码及注释，理清程序执行的流程顺序，帮助读懂代码。 大体理了一遍，有错误请指正，谢谢。

SRGAN-张量流 介绍 该项目是的令人印象深刻的流实现。 从上的v5版按照相同的设置获得结果。 但是，由于资源有限，我在上训练我的网络，该包含8156张优质相机捕获的高分辨率图像。 如下面的结果所示，在不使用imagenet训练集的情况下，性能接近本文中提出的结果。 BSD100，Set14，Set5上的结果将在以后报告。 该代码受到极大启发。 一些结果： 我的实现和本文中一些结果的比较 输入项 我们的结果 SRGAN结果 原版的 输入项 我们的结果 SRGAN结果 原版的 依赖 python2.7 tensorflow（在r1.0，r1.2上测试） 从我的下载并提取预训练的模型 从

Deeply Recursive Low- and High-Frequency Fusing Networks for Single Image Super