超分辨率（Super-resolution）概念理解：

wiki：超分辨率成像（SR-imaging）是提高成像系統(tǒng)分辨率的一類技術(shù)。光學(xué)SR技術(shù)可以超越系統(tǒng)的衍射極限，而幾何SR則可以提高數(shù)字成像傳感器的分辨率。超分辨率成像技術(shù)廣泛應(yīng)用于圖像處理和超分辨顯微術(shù)中。

形象理解：

給定圖像的像素越高，表示圖像質(zhì)量越接近于原始圖像。如果把低像素的圖片放大到一定程度，圖片會(huì)變得非常模糊，類似于馬賽克的情況。效果如下圖所示：

如果想讓上述圖像變得清新，這是需要的技術(shù)就是超分辨率重構(gòu)了。

超分辨率重構(gòu)現(xiàn)有方法：

在知乎上有看到一個(gè)帖子：圖像超分辨率重構(gòu)技術(shù)還有什么可研究嗎？以本人的理解，任何一項(xiàng)技術(shù)都有研究和提高的余地，技術(shù)進(jìn)步不就是這樣一點(diǎn)點(diǎn)來的嗎？總結(jié)一下現(xiàn)有的SR技術(shù)方法，并附找到的項(xiàng)目鏈接：

（1）稀疏編碼方法（Sparse Coding）

• Image super-resolution as sparse representation of raw image patches (CVPR2008)
• 基于原始圖像塊稀疏表示的圖像超分辨率
  
• Image super-resolution via sparse representation (TIP2010)
• Coupled dictionary training for image super-resolution (TIP2011)

（2）Self-Exemplars

• Single Image Super-Resolution from Transformed Self-Exemplars (CVPR2015)

（3）貝葉斯方法

• Naive Bayes Super-Resolution Forest (ICCV2015)

（4）基于金字塔算法

• http://vllab.ucmerced.edu/wlai24/LapSRN/

（5）深度學(xué)習(xí)方法（近幾年文章很多啊）

• Image Super-Resolution Using Deep Convolutional Networks (ECCV2014)
• Deep Networks for Image Super-Resolution with Sparse Prior (ICCV2015)
• Robust Single Image Super-Resolution via Deep Networks with Sparse Prior (TIP2016)

• Accurate Image Super-Resolution Using Very Deep Convolutional Networks (CVPR2016)
• Deeply-Recursive Convolutional Network for Image Super-Resolution (CVPR2016)
• Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network (CVPR2016)

• Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution (CVPR 2017),
• Enhanced Deep Residual Networks for Single Image Super-Resolution (Winner of NTIRE2017 Super-Resolution Challenge)

關(guān)于深度學(xué)習(xí)在超分辨率重建中的應(yīng)用：https://zhuanlan.zhihu.com/p/25532538?utm_medium=social&utm_source=weibo

給出了幾種實(shí)現(xiàn)方法及介紹，github里面相應(yīng)的項(xiàng)目實(shí)現(xiàn)。另外還發(fā)現(xiàn)一篇有點(diǎn)尺度的文章《用GAN去除(愛情)動(dòng)作片中的馬賽克和衣服》，感興趣的請參見這里。

（6）Perceptual Loss and GAN（損失函數(shù)上改進(jìn)）

• Perceptual Losses for Real-Time Style Transfer and Super-Resolution (ECCV2016)
• Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network (CVPR2017)

（7）Google基于哈希機(jī)制的實(shí)現(xiàn)

• 《RAISR: Rapid and Accurate Image Super Resolution》
  

分析：http://blog.csdn.net/jiangjieqazwsx/article/details/69055753

（8）視頻SR

• https://users.soe.ucsc.edu/~milanfar/software/superresolution.html
  
• Real-Time Video Super-Resolution with Spatio-Temporal Networks and Motion Compensation (CVPR2017)

小結(jié)：SR使用稀疏編碼方法取得的方法已經(jīng)堪稱state-of-the-art級別，深度學(xué)習(xí)出現(xiàn)后又將效果進(jìn)一步提升。

11.15增補(bǔ)：

今天看到一篇論文：《Super-Resolution From a Single Image 》（http://www.wisdom.weizmann.ac.il/~vision/SingleImageSR.html），http://cs.brown.edu/courses/csci1950-g/results/final/pachecoj/ ，

另外附幾個(gè)相關(guān)網(wǎng)頁：

https://people.mpi-inf.mpg.de/~kkim/supres/supres.htm

《Example-Based-Super-Resolution-Freeman》

18.1.3增補(bǔ)：

神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)：

（1）《Accelerating the Super-Resolution Convolutional Neural Network》，使用matlab的實(shí)現(xiàn)。

（2）《Pixel Recursive Super Resolution》，項(xiàng)目實(shí)現(xiàn)鏈接。

參考：

https://en.wikipedia.org/wiki/Super-resolution_imaging

https://www.zhihu.com/question/38637977

https://github.com/huangzehao/Super-Resolution.Benckmark

https://zhuanlan.zhihu.com/p/25532538