深度学习图像超分辨率最新综述：从模型到应用

---

今日arXiv新上论文《Deep Learning for Image Super-resolution:A Survey》，详细回顾了近年来基于深度学习的图像超分辨率（Super-resolution，SR）的方方面面，对于想要进入该领域、在该领域进一步研究、涉足该领域研发的朋友，堪称必读论文。

该文作者分别来自华南理工大学和新加坡管理大学。/撒花

何为图像超分辨？

通俗点说，就是把图像由小变大，分辨率从低到高。

但这里面却有大学问！

放大后不可避免涉及到图像中更多细节要被用户看到，搞不好会让人看着很难受。

从上面的图可以看到使用最近邻方法插值直接放大的图像和使用超分辨率算法生成的大图的比较。明眼人一眼就能知道后者让人更舒服！

超分辨率也可以帮助图像压缩，涉及到传输和保存的时候使用小图，view的时候看大图，数据量小很多。这也是很多大厂都在研发SR的原因！

深度超分辨率层次结构

该文作者总结了一张非常棒的图，可以尽览深度学习超分辨率的方方面面！！

（下图请务必点击查看大图）

作者介绍了深度学习图像超分辨的监督学习方法，从模型框架、上采样方法、网络设计方法、网络学习策略、和可能的改进策略进行了细致总结。

同时介绍了该领域的性能度量标准，包括常用数据集总结。

然后介绍了今年新出现的非监督的图像超分辨方法和SR的应用。实际可以这么说，有图像的地方就有SR的应用场景。

该文总结了近年来200多篇该领域的文献，非常值得一读，并不涉及艰深的算法原理，适合入门。

论文地址：

https://arxiv.org/pdf/1902.06068.pdf