网络中具有跳过连接和网络的深度CNN可以实现快速，准确的图像超分辨率 由，桑岛茂和ita 概述（版本2）。 这是基于深度学习的基于单图像的超分辨率（SISR）模型实现的张量流实现。 我们将其命名为DCSCN 。 如果要检查纸张的代码和结果，请检查。 模型结构如下。 我们将Deep CNN与残留网络，跳过连接和网络中的网络一起使用。 Deep CNN和Skip连接层的组合用作局部和全局区域中图像特征的特征提取器。 类似于1x1并行CNN，也称为网络中的网络，也用于图像重建。 作为版本2，我们还实现了这些功能。 来自像素混洗器 来自转置-CNN （可选） 来自自我整合 裁剪归一化（渐变裁

22基于深度学习的图像超分辨率重建的流程如下[2]：1.首先找到一组原始图像Image1;2.将这组图片降低分辨率为一组图像Image23.通过各种神经网络结构，将Image2超分辨率重建为Image3(Image3和Image1分辨率一样)4.通过PSNR等方法比较Image1和Image3，验证超分辨率重建的效果，根据效果调节神经网络中的节点和参数5.反复执行以上直到第4步的结果比较满意

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

射频网 论文代码 我们在赛中获得第一名，接受的研讨会论文和代码即将发布。 模型文件已上传！您可以使用来训练我们的RFDN并使用在重现结果 预训练的模型和测试代码已上传，现在您可以运行test.py来获得挑战的结果。

深度图像超分辨率重建MATLAB和C语言代码.深度图像超分辨率重建MATLAB和C语言代码.

针对单帧低分辨率图像的超分辨率重建问题，提出一种改进的小波局部适应插值的超分辨率重建方法，该方法能够弥补重建图像边缘不平滑的缺陷。结合小波变换与可分离高低频信息的特性，提出一种综合两者优点的单帧图像超分辨率重建算法。实验结果表明，采用该算法得到的重建图像不仅能较好地保留原始图像的细节信息，提高图像的空间分辨率，并能提高图像的峰值信噪比，更适合人眼视觉系统。

KSVD稀疏表示的程序 含字典更新，匹配追踪，正交匹配追踪等子程序，对于做图像处理非常有用

为了进一步增强视频图像超分辨率重建的效果，研究利用卷积神经网络的特性进行视频图像的空间分辨率重建，提出了一种基于卷积神经网络的视频图像重建模型。采取预训练的策略用于重建模型参数的初始化，同时在多帧视频图像的空间和时间维度上进行训练，提取描述主要运动信息的特征进行学习，充分利用视频帧间图像的信息互补进行中间帧的重建。针对帧间图像的运动模糊，采用自适应运动补偿加以处理，对通道进行优化输出得到高分辨率的重建图像。实验表明，重建视频图像在平均客观评价指标上均有较大提升（PSNR 0.4 dB/SSIM 0.02），并且有效减少了图像在主观视觉效果上的边缘模糊现象。与其他传统算法相比，在图像评价的客观指标和主观视觉效果上均有明显的提升，为视频图像的超分辨率重建提供了一种基于卷积神经网络的新颖架构，也为进一步探索基于深度学习的视频图像超分辨率重建方法提供了思路。

matlab代码 30行 实现论文：Y. Romano, J. Isidoro, and P. Milanfar, "RAISR: Rapid and Accurate Image Super Resolution" 环境：Matlab R2016a 直接运行 runRAISRTest.m 就能完成训练和测试的全过程。可以直接更改 scale 和 LR_patch_size 的值，训练代码能根据给定的这两个参数来进行新的训练。 RAISR 的训练过程较长，因为要从插值后的 HR 图像中提取 patch，大概需要 3-4 小时。训练好的结果已经保存在 RAISR_result 文件夹下，直接把 runRAISRTest.m 的 22、23 行注释掉就能直接进行测试。 结果 用的 patch_size 为 11，scale 为 3，从训练图像中提取出了 7000w 的 patch 进行训练。 计算时间在 MacOS, 2 GHz Intel Core i5, 8 GB 1867 MHz LPDDR3 下进行测试得出；其中用的 Bicubic 方法为自己实现的，没有实现 Antialiasi

用C++代码实现的图像超分辨率技术，其中包括ANN的接口的调用，以及MFC图形界面的实现