本人实现的基于pytorch的WGAN-GP超分辨率重建算法,可以正常训练和测试,训练集用的是Flickr2K和DIV2K，pytorch版本1.7.0，可视化需要tensorboard依赖库

具有EDSR，WDSR和SRGAN的单图像超分辨率 基于的实现 （EDSR）的超分辨率挑战赛冠军。 （WDSR），是超分辨率挑战赛（真实轨道）的获胜者。 （SRGAN）。 这是对可用的基于Keras / Tensorflow 1.x的旧实现的完整重写。 某些部分仍在进行中，但是您已经可以通过高级培训API如本文中所述训练模型。 此外，您还可以在SRGAN上下文中EDSR和WDSR模型。 笔记本中提供了和示例 DIV2K自动下载给定比例（2、3、4或8）和降级运算符（“ bicubic”，“ unknown”，“ mild”或“ difficult”）的培训和验证图像。 重要提示：如果

深度卷积网络在单幅图像超分辨问题上取得了非常好的效果，然而，由于超分辨问 题的病态性，自低分辨率的图像复原得到高分辨率图像的算法仍然有很大的改进空间。为了进一 步提高单幅图像超分辨率重建的精度，主要做了以下两个方面的工作：首先将增强预测的方法和 SRCNN 网络结合，在 Set5 数据集上的平均峰值信噪比较原始的 SRCNN 方法提升了大约 0.3dB；其 次，将 FSRCNN 网络第一个 5*5的卷积层改为两个 3*3的卷积层，提高了网络的非线性，在 Set5数据 集上相对于 FSRCNN 模型平均峰值信噪比提升了大约 0.3dB。

近几年应用在单幅图像超分辨率重建上的深度学习算法都是使用单种尺度的卷积核提取低分辨率 图像的特征信息，这样很容易造成细节信息的遗漏。另外，为了获得更好的图像超分辨率重建效果，网络模型也不 断被加深，伴随而来的梯度消失问题会使得训练时间延长，难度加大。针对当前存在的超分辨率重建中的问题，结合 GoogleNet 思想、残差网络思想和密集型卷积网络思想，提出一种多尺度密集残差网络模型。方法 使 用 3 种不同尺度卷积核对输入的低分辨率图像进行卷积处理，采集不同卷积核下的底层特征，这样可以较多地提 取低分辨率图像中的细节信息，有利于图像恢复。再将采集的特征信息输入残差块中，每个残差块都包含了多个 由卷积层和激活层构成的特征提取单元。另外，每个特征提取单元的输出都会通过短路径连接到下一个特征提取 单元。短路径连接可以有效地缓解梯度消失现象，加强特征传播，促进特征再利用。接下来，融合 3 种卷积核提取 的特征信息，经过降维处理后与 3 × 3 像素的卷积核提取的特征信息相加形成全局残差学习。最后经过重建层，得 到清晰的高分辨率图像。整个训练过程中，一幅输入的低分辨率图像对应着一幅高分辨率图像标签，这种端到端 的学习方法使得训练更加迅速。使用两个客观评价标准 PSNＲ( peak signal-to-noise ratio) 和 SSIM( structural similarity index) 对实验的效果图进行测试，并与其他主流的方法进行对比。最终的结果显示，本算法在 Set5 等 多个测试数据集中的表现相比于插值法和 SＲCNN 算法，在放大 3 倍时效果提升约 3. 4 dB 和 1. 1 dB，在放大 4 倍时提 升约 3. 5 dB 和1. 4 dB

Python语言编写，使用面部对齐，高斯牛顿优化和图像混合来将相机看到的人的面部与提供的图像中的人脸交换。

超分辨率的论文总结在博客https://blog.csdn.net/TeFuirnever/article/details/90719309中，所有的论文在压缩包中。

基于双正则化参数的在线字典学习超分辨率重建

基于图像块分类处理的快速单图超分辨率重建

基于双正则化参数的在线字典学习超分辨率重建

卷积稀疏编码实现图像超分辨率