ZSSR
1 贡献
zero-shot SR---基于特定图像训练的CNN
1 第一个无监督的CNN-base SR方法
2 在测试时仅根据输入的低分辨率图像本身提取的实列，训练特定于图像的小型CNN
利用图像内的多尺度重复信息
3 计算资源少，计算速度快
2 其他文章的有用信息
4 这篇文章显示，通过图片内部的fractal-like(分型相似)，证明了图片内部一些相似的patch(不同size)，对图片的预测，有强大的作用：称之为 internal predictive-power
23 这篇文章，更是表明 单张图片内部pathch的视觉熵低于自然图片集合的外部熵：极对图像内部数据的统计学习，比对外部数据的学习，有更好的 的预测能力，在应对不确定的图像或者退化的图像方便
3 image-specific CNN VS externally trained network
image-specific CNN
思想：测试图像I，想要获得HR：$I_{HR}$
1 先将I降尺度到不同的(I0,I1,I2,I3,I4....)得到有一组HR，然后按照s尺度，得到一组更低分辨率的$I_{LR}$，然后通过图像增强(旋转，翻转)之类的，得到一组LR-HR的训练集，然后数据CNN训练，找到LR-HR之间的 内在关系。
2 将要测试的图像I输出CNN得到$I_{HR}$
externally trained network
1 基于外部的大量数据集HR，降采样得到LR，得到LR-HR对应关系，然后开始训练CNN
2 使用CNN去预测不同的图片
4 ZSSR网络结构和训练参数
既然不需要大量的训练数据，也就不需要太复杂的网络结构，ZSSR只包含8个隐藏层，每个隐藏层包含64个通道，使用ReLU作为激活函数。
训练过程中使用Adam优化算法，初始学习率选择为0.001，并使用L1损失。
5 论文总结
（1）第一个超分领域的非预训练方法，训练加测试每张图片的平均时间为54秒（K80 GPU）。
（2）ZSSR方法在非理想情况下，效果优于VDSR ，EDSR+ 。在理想情况下，效果优于SRCNN，SelfExSR，但是相比VDSR ，EDSR+，效果要差点。