基于深度学习特征字典的单帧图像超分辨率重建.pdf

重建过程包括三个部分：图像配准、非均匀性内插及去模糊与去噪。图像配准精度越高，超分辨率重建效果越好，而图像分辨率越高，则图像配准精度越高，并以此为基础提出了一种联合图像配准的超分辨率重建算法

利用matlab实现图像超分辨率重建，效果比传统插值法更好

基于深度学习的快速图像超分辨率方法.pdf

行业分类-物理装置-一种基于递进学习的图像超分辨率方法.zip

行业分类-物理装置-基于二维多集偏最小二乘的人脸图像超分辨率重建方法.zip

matlab开发-图像超分辨率迭代反投影算法。一种简单的超分辨率最大似然算法。

MSRN_PyTorch 该存储库是论文“用于图像超分辨率的多尺度残差网络”的官方PyTorch实施。 可以从下载论文 可以从下载所有测试数据集（预处理的HR图像）。 所有原始测试数据集（HR图像）都可以从下载。 我们的MSRN直接在Y通道上进行了培训和测试。 但是，越来越多的SR模型在RGB通道上进行训练。 为了公平起见，我们根据代码对MSRN进行了重新培训。 我们发布了该项目的新代码和结果。 旧代码被移到OLD /文件夹中。 新代码存储在MSRN /文件夹中。 更新2019.06.12.1 先前提供的再训练模型使用DIV2K（1-895）。 我们更正了此错误，并提供了重新训练的模型（DIV2K 1-800）和结果。 我们现在还提供了x8结果！ 请注意，我们仅使用800张图像（DIV2K 1-800）进行训练，并使用最新的重量文件进行测试。 更新2019.06.12.2

SSPSR-Pytorch 论文： : （IEEE Xplore） （arXiv） 学习空间光谱先验以实现超光谱影像的超分辨率 在本文中，我们引入了空间光谱先验网络（SSPN），以充分利用空间信息和高光谱数据的光谱之间的相关性。 考虑到高光谱训练样本稀少且高光谱图像数据的光谱维数很高，因此训练稳定有效的深度网络并非易事。 因此，提出了一种组卷积（具有共享的网络参数）和渐进式上采样框架。 这不仅减轻了由于高光谱数据的高维而导致的特征提取的困难，而且使训练过程更加稳定。 为了利用空间和光谱先验，我们设计了一个空间光谱块（SSB），它由一个空间残差模块和一个光谱注意残差模块组成。 网络架构 拟议的SSPSR网络的整体网络架构 空间光谱块（SSB）的网络架构 结果 筑西数据集 Chikusei数据集上不同方法的平均定量比较。 帕维亚数据集 Pavia Center数据集上不同方法的平均

关于图像盲复原的经典文章，对于不确定点扩散函数的情况下，盲解卷积是一种比较好的方法