笔记１

引言

引言介绍了背景。
图片超分辨率重建一般是需要先知条件的，也就是通过已有的来推导。通过特定的样本应用到特定的领域。

基于稀疏编码的基本流程。
稀疏编码是基于样例的典型的方法。大概的流程：

先是处理图像，分成小块，经过减去均值和归一化的处理

通过一个低分辨率字典进行稀疏编码

然后通过高分辨率的字典得出高分辨率的子块，然后处理得到高分辨率的

其中提到了低分辨率字典和高分辨率字典，基于稀疏编码的超分辨率图片技术主要是依靠字典的学习和优化来实现的，对于其他的步骤没有考虑到统一的框架之中。

该论文中是使用深卷积神经网络来实现低分辨率到高分辨率的端到端的映射过程。
这种方法与基于样例的方法的根本区别是

稀疏编码是需要显式的通过学习字典，对图像进行建摸(低到高的转化)，神经网络是通过隐式的隐藏层

图像子块的抽取和聚集是通过卷基层实现的，这种方法只是需要一点的预处理和后处理。

然后就提出了SRCNN，简约但是效果还是比基于样例的方法中先进的方法性能好，给出了一张图。

一共四张蝴蝶图

第一张是原本的，也就是最清晰的，也指出了这一次判断的标准是PSNR，
后面就是三种不同的方法，看出效果最好的就是SRCNN

最开始就超过了双三次插值，经过一定的训练次数就超过了基于稀疏编码的方法。

然后第二层意思，说这个SRCNN就是一些过滤器和卷基层，在实际应用中，可以在CPU上快速重建。不需要优化的过程，和基于样例的方法相比。

大数据量会有好处。

这个研究的三个作用
卷积神经网络可以应用到图片超分辨率重构上，两个部分：简单的前后预处理加上完全依靠神经网络的，由低分辨率到高分辨率的映射。

基于稀疏编码的超分辨率(SC)为SRCNN的结构设计提供了设计思想。

证实了深度学习可以应用在图片超分辨率处理上。

在原有的基础上，可以进一步的修改结构，图像处理可以同时应用在YCbCr三个颜色空间，修改训练集。

以上就是引言的内容。

YCbCr和RGB颜色空间

双三次插值

论文2-----相关研究

图像超分辨率

单副图像超分辨率，主要分为四个方面。
基于模型的
基于边缘的
基于图像统计的
基于图像子快的(基于实例的)
其中论文中着重说明的是最后一种－－－－－基于图像子块的，也被称为基于样例的。分为两种情况，一种是基于内部样例的，对于这种方法，一般是采用内部图像的相似度，从而得到重建子图。然后就是基于外部样例的，通过某个东西实现低分辨率子图到高分辨率子图的映射。一种是字典，一种是流型空间。
具体的操作就是输入子图，经过图像字典，找到和它对应的比较近低分辨率图像子块，然后通过字典，得到高分辨率图像子块来进行重建。

然后基于外边样例的也可以称作是研究低分辨率子图和高分辨率子图的图像特征。

对于上面提到的比较近的低分辨率图像子块，后来又被替代了，替代的方法有两个
流形嵌入技术
稀疏编码

基于稀疏编码的方法，以及后来对它的优化都是注重图像子块的优化，只要针对的就是映射的精度和速度。

大部分的重建都是转化颜色空间之后，(RGB转化YCbCr之后)，对亮度通道进行重建。

深层卷积神经网络

深层卷积神经网络多是应用在图像分类，随后广泛应用在计算机视觉领域，三个原因

GPU
现在有大量的数据
Relu

图像恢复的深度学习

图像恢复的话，主要就是图像的去噪和降噪。
在内部基于实例的概念下，我们将自动编码网络应用到了超分辨率的流程之后，但是其优化的过程是相对独立的。SRCNN优化的是整个端到端的过程，并且速度更快。