光学显微镜的出现为细胞等微观结构的研究打开了新的大门，然而衍射极限的限制使得更加精细的结构难以探测。近年来，一些充满创造性的方法突破了衍射极限，达到纳米级分辨率。氮-空位（NV）色心是金刚石中一种常见的发光缺陷，由于其具有明亮而稳定的发光性质和较长的电子自旋相干时间而被广泛应用于量子计算与量子测量中；同时，NV色心在超分辨成像技术中也发挥着巨大作用，通过与各种超分辨成像显微镜的结合，实现了对NV色心的纳米级分辨率成像，而且进一步实现高空间分辨率的量子传感。本文简单介绍了NV色心的结构与性质，以及各类成像技术的基本原理；对NV色心与超分辨成像结合的各项技术实验成果进行了归纳与比较，并对其应用进行了总结与展望。

4类SR超分辨率模型： EDSR_x2.pb；EDSR_x3.pb；EDSR_x4.pb ESPCN_x2.pb；ESPCN_x3.pb；ESPCN_x4.pb FSRCNN_x2.pb；FSRCNN_x3.pb；FSRCNN_x4.pb LapSRN_x2.pb；LapSRN_x4.pb；LapSRN_x8.pb

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=

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

SRCNN源码分析：以文档的形式顺了一下训练时的代码流程和函数功能。只包含源码中的函数名及必要代码。可以帮助理解训练阶段的流程。

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