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=

Structure-Preserving Super Resolution with Gradient Guidance的个人翻译版本渣翻勿喷

Structure-Preserving Super Resolution with Gradient Guidance原版论文（cvpr 2020）

matlab用卷积神经网络实现彩色图像的超分辨率

序列图像的超分辨率重建指的是利用一系列已经获得的分辨率相对比较低的图像，通过现有的技术手段以及方法，恢复出较高分辨率图像的方法。每一幅低分辨率图像只能提供高分辨率图像的部分信息。超分辨率重建具有多方面的优点，比如不涉及硬件以及成本相对较低等。基于此，该技术在刑侦、交通、军事以及生活中都具有广泛的应用前景和实用价值。论文简述了图像超分辨率重建的关键技术和方法，详细介绍了超分辨率重建的MAP算法和POCS算法，重点分析了两种常用算法各自的评价结果并且对两种算法进行了比较实验。实验结果表明，两种方法具有不同的优点以及应用范围，从而对序列图像的超分辨率重建的过程以及评价有了相对较深入的认识。

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

用卷积神经网络实现彩色图像的超分辨率，MATLAB代码实现

利用双线性插值算法、双三次插值算法、对图像进行重建并进行算法结果的比较，展示出原图像和插值图像的傅立叶幅度谱。

用卷积神经网络实现彩色图像的超分辨率matlab

基于邻域嵌入的超分辨率matlab代码，训练图为2张图片