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

Urban100 包含了具挑战性的城市景色，具有不同频带的细节。 对真实图像利用双三次插值进行降尺度可以得到 LR/HR 图像对，以得到训练和测试数据集。

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

超分辨率重建

超分辨率重建 一些超分辨率重建 models文件夹存放模型 predict文件夹生成预测的模型 TestSR文件夹里的图像为对TestLR图像进行处理后的图像 整个框架已经实现，并且能够跑通 python SR.py -c -b 2 -e 100 ##进行训练和验证和测试网络 数据集为CVPR2019图像超分辨率竞赛数据集。

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