使用对抗生成网络，来实现超分辨率。使用imagenet的部分数据。摒弃了用均方误差和信噪比来优化参数。

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

张量超分辨率 使用规范多元和Tucker分解的3D SISR 该存储库包含文章的算法 - TF_SISR.m张量为3-d超分辨率随着应用因子分解法在牙科CT Janka Hatvani;阿德里安巴萨拉布;让伊夫Tourneret;米克洛什Gyöngy;丹尼斯夸梅 2021接受） -TD_SISR.m使用Tucker分解的嘈杂3D牙科CT图像的单图像超分辨率作者：J. Hatvani，A. Basarab，J. Michetti，M 。Gyöngy，D。Kouamé 为了运行代码，您将需要从下载tensorlab工具箱并将源代码添加到``tensorlab_2016-03-28''（或最新版本）文件夹中。 gt_link.txt和train_link.txt中提供了指向高分辨率和低分辨率图像样本的链接。

这个ppt是关于在CVPR2019上发表的论文——“Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels”的论文分享讲义，我会按照我制作的ppt中的思路，在博客中，详细分析这篇论文。