图像超分辨率重建技术综述 ，叶富泽，包立君，图像超分辨率重建（Image super-resolution restoration, SR）技术是计算机视觉与图像处理的研究热点，并在视频监控，遥感成像，医学图像等领�

图像超分辨率重建( super － resolution，SＲ) 是指从观测到的低分辨率图像重建出相应的高.分辨率图像，在目标检测、医学成像和卫星遥感等领域都有着重要的应用价值． 近年来，随着深度.学习的迅速发展，基于深度学习的图像超分辨率重建方法取得了显著的进步． 为了把握目前基于.深度学习的图像超分辨率重建方法的发展情况和研究热点，对一些最新的基于深度学习的图像.超分辨率重建方法进行了梳理，将它们分为两大类( 有监督的和无监督的) 分别进行阐述． 然后，.在公开的数据集上，将主流方法的性能进行了对比分析． 最后，对基于深度学习的图像超分辨率.重建方法进行了总结，并对其未来的研究趋势进行了展望．

通过深度学习的图像超分辨率Image Super-Resolution

针对图像超分辨率重建过程中出现的边缘细节模糊、图像特征丢失的问题,提出基于密集连接的生成对抗网络图像超分辨率重建算法。该算法由生成网络和判别网络组成,在生成网络结构中,将原始低分辨率图像作为网络的输入,为了实现对特征的充分利用,采用密集连接方式将浅层网络的特征输送到深层网络结构的每一层,有效避免图像特征的丢失。并在末端进行亚像素卷积,对图像进行反卷积操作,完成图像最终的超分辨率重建,大大减少了训练耗时。在判别网络结构中,采用6个卷积模块和一个全连接层对真伪图像进行甄别,采用对抗博弈的思想,提升重建图像的质量。实验结果表明,本文算法在视觉效果评估、峰值信噪比值、结构相似性值以及耗时等多方面指标上都有了很大的改善,恢复出较为丰富的图像细节信息,取得了较好的视觉效果和综合特性。

基于深度森林的图像超分辨率复原算法研究.docx

经典盲解卷积（ 图像超分辨率重建）.

RDN 该存储库是。 要求 PyTorch 1.0.0 脾气暴躁的1.15.4 枕头5.4.1 h5py 2.8.0 tqdm 4.30.0 火车 可以从下面的链接下载转换为HDF5的DIV2K，Set5数据集。 数据集 规模 类型 关联 DIV2K 2个 火车 DIV2K 3 火车 DIV2K 4 火车 第5集 2个 评估 第5集 3 评估 第5集 4 评估 否则，您可以使用prepare.py创建自定义数据集。 python train.py --train-file " BLAH_BLAH/DIV2K_x4.h5 " \ --eval-file " BLAH_BLAH/Set5_x4.h5 " \ --outputs-dir " BLAH_BLAH/outputs " \

SRGAN-PyTorch 该资源库包含在纸上的非官方pyTorch实施SRGAN也SRResNet的，CVPR17。 我们密切关注原始SRGAN和SRResNet的网络结构，培训策略和培训设置。 我们还CVPR16将子像素卷积层实现为。 也分享了对该存储库的贡献。 许可和引文 所有代码和其他材料（包括但不限于表格）仅用于学术研究目的，不提供任何担保。 任何商业用途都需要我们的同意。 如果我们的工作对您的研究有所帮助，或者您在研究中使用了代码的任何部分，请适当确认： @InProceedings{ledigsrgan17,    author = {Christian Ledig and Lucas Theis and Ferenc Huszár and Jose Caballero and Andrew Cunningham and Alejandro Acosta and

CinCGAN-火炬 Pytorch实施 ，CVPR 2018 实验结果 NTIRE2020跟踪1-验证集的平均PSNR（x4） 名称 信噪比 双三次 24.21 EDSR 23.93 CinCGAN 24.92 训练细节 在使用默认设置训练了400K迭代的内部循环之后，我冻结了内部循环，并对外部循环进行了微调，进行了数百次迭代。 在训练外部循环时，将gamma0设置为0.1，将gamma2设置为150，将external_lr设置为1e-5。 其他参数设置为默认值。 检查点 我从使用EDSR实现。 NTIRE2020 x4检查点： ://drive.google.com/file/d/1ctTPy0dxHd5PgGvDc6rtJ8-8wNIjx86w/view?usp sharing 开始训练 训练内循环 python3 main . py - - phase train

SRVAE（用于实像超高分辨率的生成变分自动编码器） 致志，王立文，李卓德，玛丽·保妮·卡尼和萧婉琪 此仓库仅提供简单的测试代码，预训练的模型和网络策略演示。 我们提出了使用生成的变分自动编码器（dSRVAE）的联合图像去噪和超分辨率模型 我们参加CVPRW 请检查我们的 BibTex @InProceedings{Liu2020dsrvae, author = {Liu, Zhi-Song Siu, Wan-Chi and and Wang, Li-Wen and Li, Chu-Tak and Marie-Paule Cani and Yui-Lam Chan}, title = {Unsupervised Real Image Super-Resolution via Generative Variational AutoEncoder},