由于图像超分辨率算法的复杂性，计算量比较大，计算时间比较长。随着计算机技术的进步，这些困难将会得到解决。由此，视频的实时超分辨率重建成为可能，将会在网络视频会议等领域得到广泛应用。尽管目前对低码率视频流的超分辨率重建已经进行了不少的研究，但仍然有不少的难题没有很好的解决。谢谢下载！

基于非稀疏字典处理实现对低分辨率图像进行超分辨率处理

图像超分辨率重建pocs算法研究.pdf

凸集投影图像超分辨率重建改进算法研究.pdf

收集大量最新的图像超分辨率/插值论文。图像超分辨率的英文名称是 Image Super Resolution。图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建。目前， 图像超分辨率研究可分为 3个主要范畴: 基于插值、 基于重建和基于学习的方法.

论文代码的压缩文件，具体GitHub地址为：https://github.com/zixuannnnnn/DRAAN

人工智能-项目实践-图像识别-基于深度学习的图像超分辨率重建及其在医学影像上的应用 前言 介绍图像超分辨率问题、研究现状、前景，介绍在医学图像上进行超分辨率的重要性。 自然图像上的超分辨率研究 在 DIV2K 数据集（800 train + 100 val）进行实验。选取 baseline 模型为 ESPCN、DWSR、EDSR。针对这些模型的不足之处，提出改进：使用小波 + U-Net + 感知损失多任务学习的 LU-MWCNN模型，达到超越 baseline 的效果。 医学图像上的超分辨率应用 在 DeepLesion 数据集（CT 图像）的 Key_slices 上进行实验，同样与 baseline 模型进行对比。提出 CT-LPIPS，利用一个类 VGG 网络训练。 医学图像超分辨率平台开发 以 CT 图像为例，搭建 Web 服务，借助 Cornerstone.js 库，医生可预览 DICOM，或将图像发送至后端重建服务，以获得超分辨完成的结果。后端采用 Flask + PyTorch 进行部署和实时推理。 总结

综述类的论文，对于超分辨率研究入门很有帮助，作者附录里有附带经典源码的链接，特别是几个深度学习的github链接，国内也有镜像

图像超分辨率重建技术是指从低分辨率图像中重建高分辨率图像的技术。由退化模型可知图像复原是一个不适定的问题，虽然有极大后验概率估计、凸集投影等许多传统复原算法，但正则化复原方法有时更为有效。正则化方法的主要目的是引入合理的约束来得到更好的图像复原结果，论文首先考虑常见的空域正则化方法，着重研究对约束算子和参数的选取。然后由参数的收敛性分析，讨论了有效实现正则化方法的迭代算法的思想。

基于图像稀疏表征的图像超分辨率重建算法的matlab仿真+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。