Deep Learning for Image Super-resolution: A Survey

摘要：

图像超分辨率(SR)是提高计算机视觉中图像和视频分辨率的一类重要图像处理技术。近年来，利用深度学习技术实现图像超分辨率技术取得了显著进展。在调查中，我们的目的是给出在一个系统的方式中使用深度学习方法来实现图像超分辨率的最新进展。我们可以将现有的SR技术研究大致分为三类

有监督的SR(supervised SR）、无监督的SR（unsupervised SR）和特定领域的SR（and domain-specifific SR)。

此外，我们还讨论了一些其他重要的问题，比如公开的基准数据集和性能评估指标。

最后，我们在总结这项调查时，强调了未来的几个方向和有待社会进一步解决的问题

索引词：—Image Super-resolution, Deep Learning, Convolutional Neural Networks (CNN), Generative Adversarial Nets (GAN)生成的对抗性网络

介绍：

图像的超分辨率（SR）是从低分辨率图像中恢复高分辨率图像是计算机视觉和图像处理中的重要一类图像处理技术。它具有广泛的现实应用，如医学成像，监视和安全 等等。除了提高图像感知质量，它还有助于改善其他计算机视觉任务。一般来说，这个问题非常具有挑战性，而且本质上是ill-posed的，因为总是有多个HR图像对应一个LR图像。在论文中，提出了多种经典的SR方法，包括：
基于预测的方法，

基于边缘的方法，

统计方法