图像超分辨率深度学习 （综述 ）论文笔记

题目：Deep Learning for Image Super-Resolution

期刊： Neurocomputing

年份：2019

注

摘要

1、Generative collaborative networks for single image super-resolution

单图像超分辨率生成协同网络

在第一篇论文中, Seddik及其团队提出了一种称为生成协作网络(GCN)的新方法.针对与ImageNet完全不相同的图像场景, 在基于ImageNet预训练而导致的VGG损失表现不佳的情况下, 进行深入研究并提出这一新方法作为解决方案.其中的核心思想是通过优化生成器在特征空间中的性能来实现协作关系, 并通过构建区分性和相关特征来辅助提升整体效果.

2、Benefit of multitask learning in enhancing high-resolution images through advanced super resolution techniques.

从多任务学习中获益以提高单个图像的超分辨率

Rad及其团队在第二篇论文中提出了一种创新性解决单图像超分辨率（SISR）问题的方法。该方法通过提取分类信息生成具有更真实纹理特征的高分辨率图像。基于包含丰富语义信息的编码器架构设计，在应用多目标学习框架时可以实现既进行图像超分辨率又完成语义分割的任务。从而实现对输入图像的高分辨率重建。

Deep learning technology-dependent image up-conversion integrates both the objective assessment of objective metrics and subjective visual evaluation.

考虑定量和感知质量的基于深度学习的图像超分辨率

该研究探讨了超分辨率图像在定量评估与主观感知质量之间的权衡关系，并提出了一种新的分析框架以量化这种权衡。为了在保持常规量化性能的基础上提升放大后图像的主观感知质量，在该框架中引入了一种基于深度学习的方法来实现多级放大的机制。通过设计一套综合评价指标系统，并结合人工标注数据集对算法进行了系统性评估和验证，在实验结果中发现该方法能够有效平衡图像细节信息与整体视觉感受之间的矛盾关系。此外，在算法设计过程中还引入了一种基于美学评价的新思路，在生成阶段实现了对目标图像的质量进行动态调节的能力。实验结果表明，在保证重建精度的前提下显著提升了目标图像的质量表现能力，并且这种改进方式对于不同类型的高分辨率重建任务均具有良好的适用性

4、Ultra-dense GAN for satellite imagery super-resolution

用于卫星图像的超密GAN超分辨率

该论文提出了一种新型算法udGAN（Uniform Directed GAN），其核心创新在于将传统的残差块结构进行了重构设计。通过引入特殊的二维矩阵拓扑结构，并增加了对角线方向上的连接路径，在保持网络深度的同时显著提升了模型的表现能力。该网络架构通过优化后的连接方式能够灵活适应输入图像中复杂的特征信息分布，并在实验测试中验证了其在图像超分辨率方面的有效性

该研究采用超深度残差网络实现高加速fMRI图像重建，并采用变密度螺旋采样路径

利用变密度螺旋轨迹进行高加速fMRI重建的深残留网络

在第五篇论文中,作者采用深度残差网络,基于可变密度螺旋采样路径实现了对具有20倍加速度fMRI数据的重建.该方法通过k空间域内的域知识和数据一致性评估网络输出与真实图像之间的差异程度.此外,充分利用统一时间框架策略,在重建方案中整合了相邻帧间的k-数据信息优势,这不仅有助于提升网络的学习效果,还能获得更为优异的重建性能

A deep learning approach for up-sampling 3D magnetic resonance volumes using regular shifts.

基于深度学习的基于规则间隔移位的三维磁共振图像超分辨率

在第六篇论文中, 该方法基于深度学习网络和规则间隔移位机制, 提出了一个用于提升磁共振图像分辨率的技术. 低分辨率图像经深度学习网络处理后得到初始高分辨率重建图. 通过对输入图像应用常规移位模型后得到高分辨率重建图, 并将其进行降阶处理以达到一致效果.

7、Mixed-dense connection networks for image and video super resolution

用于图像和视频超分辨率的混合密集连接网络

研究团队在第七篇论文中构建了基于MixNet架构的混合密度连接网络（MDCN），旨在最大限度提升超分辨率网络性能，并通过融合残留和密集连接机制实现了性能的显著提升。

Deep recursive embedded sampling networks with adaptive upsampling and downsampling mechanisms for self-super-resolution image reconstruction.

单图像超分辨率的深层递归上下采样网络

Li等人在第8篇论文中提出了一种名为DRUDN的深度递归上采样网络。该网络架构直接采用原始低分辨率（LR）图像作为输入。通过复杂的递归上采样模块（RUDB），该研究能够有效地建模并学习LR与HR图像间的 intricate 映射关系。在重建阶段，特征图通过反卷积极其放大层实现理想的尺寸还原。

High-order fractal-like structure of the deep residual network achieves both speed and precision in monochrome image super resolution.

快速、精确的单图像超分辨率深度分形残差网络

第九篇文章详细阐述了一种基于深度分形残差网络(DFRN)的新方法成功实现了超分辨率图像合成(SISR)，该方法具有显著的提升效率优势。在该框架中设计使用的分形模块被具体描述为能够有效提取和整合多尺度特征信息，在此过程中所提出的DFRN结构成功提取并融合了多级细节特征以进一步优化图像重建效果。

10、SCRSR: This high-efficiency recursive convolutional neural network for 10 high-performance image super-resolution

SCRSR：一种高效的递归卷积神经网络，用于快速、准确的图像超分辨率

在最近的研究文献中，林等人提出了高效递归设计的深度卷积网络，在实现快速且精确的单图像超分辨率重建方面表现出色。该网络开发了一种分而治之的级联残差模块，在降低计算开销与模型参数量的同时显著提升了效率。通过下采样和上采样的技术手段，在显著减少计算负担的同时扩展了捕获范围的能力。具体而言，在构建了一个双阶段递归优化框架的基础上实现了性能与效率的最佳平衡