本文提供了与SRCNN论文的总结和回顾，如果你对于图像的超分辨率感兴趣，一定要先阅读这篇论文，他可以说是所有基于深度学习的超分辨率模型的鼻祖
卷积神经网络通常用于分类，目标检测，图像分割等与某些与图像有关的问题中。在本文中，将介绍CNN 如何用于单图像超分辨率（SISR）。这有助于解决与计算机视觉相关的各种其他问题。在CNN出现之前，传统的方法是使用最近邻插值、双线性或双三次插值等上采样方法，也可以取得不错的效果。
- Nearest Neighbors Interpolation — 最近邻插值是一种简单明了的方法。它为每个插值点选择最近像素的值，而不考虑任何其他像素的值。
- Bilinear Interpolation (BLI) — 双线性插值 这是一种在图像的一个轴上进行线性插值，然后再移动到另一个轴的技术。因为它产生了一个接受域大小为 2x2 的二次插值，所以它在保持合理速度的同时优于最近邻插值。
- Bicubic Interpolation(BCI) — 双三次插值与双线性插值一样，双三次插值 (BCI) 在两个轴上进行。与 BLI 相比，BCI 考虑 4x4 像素，从而产生更平滑的输出，具有更少的伪影，但速度要慢得多。
本文介绍的SRCNN 模型基本由三个使用步骤组成：
- 区块补丁提取和表示
- 非线性映射
- 重建
相关工作
一般情况下 SISR （Single Image Super Resolution,）可以总结为以下4种方法——预测模型、基于边缘的方法、图像统计方法和基于补丁（或基于样本）的方法。SRCNN 使用基于补丁的方法。利用输入图像内部样本的自相似性属性来生成补丁。SRCNN 使用稀疏编码公式来映射低分辨率和高分辨率的补丁，并且图像考虑了 YCbCr 颜色通道。
用于图像恢复的深度学习
大多数图像恢复深度学习方法都是去噪驱动的。虽然自编码器不能提供从低分辨率到高分辨率图像的端到端映射，但是在去噪图像领域表现得非常好，而SRCNN 专注于解决这个问题。
完整文章：
https://www.overfit.cn/post/e0f8f992ac8d43f1945564b1fd0f14b6