多尺度特征融合图像超分辨率重建

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

k近邻法matlab原始码变换后的自样本的单图像超分辨率（CVPR 2015） 介绍 这是本文的研究代码： ，和[Narendra Ahuja]（），“来自变换后的自样本的单图像超分辨率”，CVPR 2015 该算法实现，而不需要任何外部训练数据集，特征提取的图像超分辨率的先进设备，最先进的性能和复杂的学习算法。 有关更多详细信息，请访问我们的。 所有数据集（Set5，Set14，Urban 100，BSD 100，Sun-Hays 80），预先计算的结果和视觉比较都可以在以下部分中找到。 引文 如果您发现代码和数据集对您的研究有用，请考虑引用以下内容： @inproceedings{Huang-CVPR-2015, title={Single Image Super-Resolution From Transformed Self-Exemplars}, Author = {Huang, Jia-Bin and Singh, Abhishek and Ahuja, Narendra}, booktitle = {Proceedings of the IEEE Conference o

数据融合matlab代码自适应加权学习网络的轻量图像超分辨率 王朝峰，李振和石军，“具有自适应加权学习网络的轻量图像超分辨率”， 该代码基于 依存关系 的Python 3.5 PyTorch> = 0.4.0 麻木 skimage 意象 matplotlib tqdm 代码 git clone git@github.com:ChaofWang/AWSRN.git cd AWSRN 抽象的 近年来，深度学习已以出色的性能成功地应用于单图像超分辨率（SISR）任务。 但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。 在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。 在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。 此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。 AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分

# SRCNN超分辨率Pytorch代码 1. 复现SRCNN，使用三层卷积层，kernel size分别为9,1,5； 2. 包含数据集，并包含在该数据集上训练6000epoch的模型pth文件； 3. 包含训练和推理代码，可以使用已经训练好的代码直接推理。

Set5，Set14 Dataset 是基于非负邻域嵌入的低复杂度单图像超分辨率的数据集，该训练集被用于单幅图像超分辨率重构，即根据低分辨率图像重构出高分辨率图像以获取更多的细节信息。 这项技术已被广泛应用于 计算机视觉 与图形学、医学成像、安全监控等领域。 该数据集由比利埃大学、法国贝尔实验室于 2012 年发布，相关论文有《Low-Complexity Single-Image Super-Resolution based on Nonnegative Neighbor Embedding》。

图像超分辨率融合算法研究.pdf

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