前言

参考：单幅图像超分辨重建的深度学习方法综述

1、上采样方法介绍

方法分类	方法名称	方法描述
基于插值的上采样方法	最近邻插值	使用距离最近的像素点的值进行插值操作
	双线性插值	沿着图像的一个方向进行插值，然后再沿着另一个方向进行插值。插值的结果与先进行哪个方向的插值无关
	双立方插值	使用的插值函数为三次多项式，也是进行图像两个方向的插值操作
基于学习的上采样方法	转置卷积	也成为反卷积，卷积核大小为3x3，步长为1，并使用0进行填充的卷积操作
基于学习的上采样方法	亚像素卷积	通过卷积操作得到多个通道的特征图，然后对特征图进行重新排列，在多个通道之间重组，从而放大图像的尺寸

2、SISR深度学习主要方法

网络名称	发表时间	网络模型	损失函数	上采样方法	上采样框架	适用场景	改进点
SRCNN	2014,ECCV	线性网络	L2	双三次插值	预上采样	实景图像	首次提出将深度学习引入超分辨领域，提高重建质量
SCN	2015,ICCV	线性网络	L2	双三次插值	预上采样	实景图像	在深度卷积网络中加入稀疏表示先验信息
FSRCNN	2016,CVPR	线性网络	L2	转置卷积	后上采样	实景图像	较SRCNN提升算法处理速度
ESPCN	2016,CVPR	线性网络	L2	亚像素卷积	预上采样	实景图像	较SRCNN提升算法效率
VDSR	2016,CVPR	残差网络	MSE	双三次插值	后上采样	实景图像	运用残差学习加深网络层数，同时可处理多尺度SR问题
LapSRN	2017,CVPR	残差网络	Char损失函数	亚像素卷积	逐步上采样	实景图像	通过逐步上采样、逐级残差和自身损失函数监督，提升算法速度以及重建效果
EDSR	2017,CVPRW	残差网络	L1	亚像素卷积	后上采样	实景图像	去除BN加快运行速度，加深网络深度
MSRN	2018,ECCV	残差网络	L1	亚像素卷积	后上采样	实景图像	运用多尺度残差网络提升算法效率
DRCN	2016,CVPR	残差、递归网络	L2	双三次插值	预上采样	实景图像	运用递归网络增大网络感受野，从而提升网络性能
DRRN	2017,CVPR	残差、递归网络	L2	双三次插值	预上采样	实景图像	运用局部多尺度和全局残差学习，减少参数并提升重建性能
SRFBN	2019,CVPR	残差、递归、稠密网络	L1	转置卷积	后上采样	实景图像	引入反馈机制的循环神经网络，从而提升重建效果
SRDenseNet	2017,ICCV	密集网络	L2	亚像素卷积	后上采样	实景图像	运用密集连接加强特征传播，减少参数数量，减轻梯度消失
RDN	2018,CVPR	密集、残差网络	L1	亚像素卷积	后上采样	实景图像	将残差、密集学习结合，客观指标和主观效果有所提升
SelNet	2017,CVPRW	残差网络、注意力机制	L2	双三次插值	后上采样	实景图像	使用选择单元允许特定值向下传递，提升重建效果
RCAN	2018,ECCV	残差网络、注意力机制	L1	亚像素卷积	后上采样	实景图像	将通道注意力机制引入网络，捕捉更重要的通道信息，从而提升重建效果
SAN	2019,CVPR	残差网络、注意力机制	L1	亚像素卷积	后上采样	实景图像	使用二阶通道注意力机制，更好的长距离空间内容信息
TTSR	2020,CVPR	残差网络、注意力机制	L1、对抗、感知损失	亚像素卷积	后上采样	实景图像	使用硬注意力机制进行纹理迁移，使用软注意力机制进行纹理合成
SRGAN	2017,CVPR	生成对抗网络	对抗、感知损失	亚像素卷积	后上采样	实景图像	最早使用GAN网络进行图像超分辨，在主观视觉效果上提升明显
ESRGAN	2018,ECCVW	生成对抗网络	L1、对抗、感知损失	亚像素卷积	后上采样	实景图像	相较于SRGAN，生成器去掉BN、判别器对损失函数做出改进，提升重建效果
SPSR	2020,CVPR	生成对抗网络	L1、对抗、感知、梯度损失	亚像素卷积	后上采样	实景图像	基于GAN网络的方法，考虑保持图像内部的几何结构

SISR深度学习主要方法简述相关推荐

入门 | 一文简述深度学习优化方法——梯度下降
http://www.sohu.com/a/241298990_129720 本文是一篇关于深度学习优化方法--梯度下降的介绍性文章.作者通过长长的博文,简单介绍了梯度下降的概念.优势以及两大挑战.文 ...
深度学习计算机视觉发展简述
深度学习计算机视觉发展简述 1995年诞生的LeNet5网络是最早的卷积神经网络之一,也是现在很多深度神经网络架构的起点.LeNet5利用卷积.参数共享.池化等操作提取图像特征,再利用全连接神经网 ...
深度学习:优化方法——momentum、Nesterov Momentum、AdaGrad、Adadelta、RMSprop、Adam
深度学习:优化方法 1. 指数加权平均(Exponentially weighted average) 2. 带偏差修正的指数加权平均(bias correction in exponentially ...
主流的深度学习优化方法（SGD，SGDM，Adagrad，RMSProp，Adam）
文章目录 0 前言 1 SGD 2 SGD with momentum(SGDM) 3 Adagrad 4 RMSProp(root mean square prop) 5 Adam 0 前言介绍主 ...
BERT6mA：使用基于深度学习的方法预测DNA N6甲基腺嘌呤位点
<BERT6mA: prediction of DNA N6-methyladenine site using deep learning-based approaches> Sho Ts ...
【代码实现】最新PyTorch机器学习与深度学习技术方法
近年来,随着AlphaGo.无人驾驶汽车.医学影像智慧辅助诊疗.ImageNet竞赛等热点事件的发生,人工智能迎来了新一轮的发展浪潮.尤其是深度学习技术,在许多行业都取得了颠覆性的成果.另外,近年来, ...
深度学习检测不准确智能电表,故障智能电表深度学习检测方法
深度学习检测不准确智能电表:一个案例研究 python源代码,代码按照高水平文章复现根据用电情况检测出故障的智能电表,并针对其进行更换,可以节省大量的资源. 为此,我们开发了一种基于长短期记忆(lo ...
DeepIPs:使用基于深度学习的方法对新型冠状病毒感染的磷酸化位点进行综合评估和计算识别
期刊:Briefings in Bioinformatics 论文出处:DeepIPs: comprehensive assessment and computational identificati ...
【paper 1】2022 一种用于脑内出血血肿体积检测的鲁棒性深度学习分割方法-英文
A Robust Deep Learning Segmentation Method for Hematoma Volumetric Detection in Intracerebral Hemorr ...

SISR深度学习主要方法简述

文章目录

前言

1、上采样方法介绍

2、SISR深度学习主要方法

SISR深度学习主要方法简述相关推荐

最新文章

热门文章