win超分辨率重建 RCAN(4倍)的win32程序，由RCAN-master中的模型改编而来

超分辨率常用数据集,包含数据增强方法和以下数据集：Set5, Set14, BSD100, BSDS200, BSDS300, BSDS500, 91-images,General-100, Manga109, Urban100, historical

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。

由于目前监控视频所拍摄的人脸图像目标较小、难以辨识, 图像超分辨处理已成为亟待解决监控视频图像实际应用问题的技术和手段。提出了一种针对室外监控视频人脸图像的超分辨技术,利用先验知识设置图像训练集, 并进行图像空间转化、去噪等预处理操作; 设计八层卷积神经网络并对各层类型及连接方式进行设定, 同时设定激活函数类型及各层间传递方式函数; 初始化参数并根据训练集训练网络; 根据损失函数反向调整卷积核和偏置参数, 完成图像输出。经过大量实际监控视频图像测试, 并将本文方法和现有其他方法做对比, 实验结果表明,本文方法在图像超分辨效果和处理速度上均有一定的优势。

**深度递归卷积网络（DRCN）用于图像超分辨率** 深度递归卷积网络（Deep Recursive Convolutional Network，简称DRCN）是一种在2016年由Jeon et al.提出的图像超分辨率技术，它利用递归神经网络（RNN）的特性来处理图像特征，并实现高精度的图像细节恢复。DRCN的主要目的是提升低分辨率图像的质量，使其接近或恢复到原始的高分辨率状态。 **一、DRCN架构** DRCN的网络结构由三个关键部分组成： 1. **特征提取**：这一阶段通常使用卷积层来捕获图像的低级特征，如边缘、纹理和颜色。这些特征对于后续的映射和重建过程至关重要。 2. **图像块映射**：在这一阶段，DRCN通过递归单元来处理图像块之间的关系。RNN的递归性质允许模型学习并记忆先前的计算结果，对同一图像块进行多次处理，从而加深对图像特征的理解。这种重复处理增强了网络对细节信息的捕捉能力。 3. **图像重建**：经过多次迭代和特征增强后的图像块被组合起来，通过上采样和反卷积操作重构出高分辨率的图像。这一过程不仅考虑了局部信息，还融合了全局上下文，确保生成的图像具有更高的清晰度和细节保真度。 **二、DRCN的实现细节** 在提供的代码文件中，我们可以看到以下几个关键脚本和文件： 1. **DRCN.m**：这可能是主函数，用于配置网络参数并调用其他辅助函数来训练和测试模型。 2. **runPatchDRCN.m、testDRCN.m、runDRCN.m**：这些脚本可能分别用于训练、验证和运行模型，执行不同的任务，如数据预处理、模型训练、预测等。 3. **readme.txt**：包含了关于如何使用代码和模型的说明，是理解和运行代码的关键。 4. **data**：这个文件夹可能包含训练和测试用的数据集，可能包括低分辨率和对应的高分辨率图像。 5. **DRCN model**：存放训练好的DRCN模型参数，供测试或进一步研究使用。 6. **util**：工具函数库，包含了帮助处理数据、模型构建和训练过程的函数。 7. **result**：这里可能会存储模型的预测结果，即生成的高分辨率图像。 8. **snu_matconvnet**：这可能是一个定制的MatConvNet库，用于实现DRCN模型的卷积神经网络操作。 **三、MatConvNet与DRCN** MatConvNet是一个用MATLAB编写的深度学习框架，特别适合用于快速原型设计和研究。在DRCN的实现中，MatConvNet提供了一个方便的接口，用于构建、训练和测试卷积神经网络模型，尤其是递归神经网络部分，使得研究人员能够轻松地探索不同递归结构的影响。 DRCN通过递归卷积网络的创新应用，实现了有效的图像超分辨率恢复。提供的代码和资源为理解DRCN的工作原理和复现其效果提供了基础，是深入研究超分辨率技术的一个宝贵资料。

该程序很规范的应用核回归 Kernel regression 理论 以及应用了自适应高斯函数做核，达到图像处理的去噪，去模糊，超分等处理，本人项目用应用到的，感觉其他人也会用，因此分享，这是Takeda在07年发表的文章《Kernel Regression for Image Processing and Reconstruction》（IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 16, NO. 2, FEBRUARY 2007）中提供的代码，对于学习核回归理论的朋友很有帮助！