传统算法模型 基于插值的技术
- 最邻近元法
- 双线性内插法
- 三次内插法
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/fb0899568a944c928833789e0905a4fb.jpg)
文章图片
基于重建的方法 概率论、集合类
- 凸集投影法(POCS)
- 贝叶斯分析法
- 迭代反投影法(IBP)
- 后验概率方法
- 正规化方法
- 混合方法
- Example-based方法
- 邻域嵌入方法
- 支持向量回归方法
- 稀疏表示法
- 散焦
- 噪点
- 压缩失真
- 传感器噪声
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/f6d9cc81191942b680f5e8c94a368e89.jpg)
文章图片
其中Ix和Iy分别表示低清图像与超分辨率图像,F表示超分模型,θ为模型中的参数。
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/5a6688adda0a46069e7db874ad50bdbb.jpg)
文章图片
其中D表示降级映射, б为模型中的参数。
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/eeaab4eded62440c84cda2a84a8a53f1.jpg)
文章图片
模型的学习目标
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/40c113555cfb468a97d40cf14866b88d.jpg)
文章图片
其中L为损失函数,Φ(θ)为正则项,λ为惩罚系数。
图像降级模型 简单的下采样
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/d93a2fafe2be42e88ca033656ccb1e98.jpg)
文章图片
式中的↓表示下采样操作,s表示下采样的倍数
加入模糊和噪声的下采样
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/3eb0b56644034e67842112054d4a3332.jpg)
文章图片
其中的⊙表示卷积,k为卷积核, n 为噪声(⊙代替上图的卷积操作符号)
预上采样
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/ef5d3d15f51047b9b926b2baaaa25cf3.jpg)
文章图片
后上采样
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/3285d3b048a048b5b7b790f996a00c61.jpg)
文章图片
逐步上采样
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/522475fa79da4dc4bfb2a66f699efe59.jpg)
文章图片
交替上下采样
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/c8e5d5400f014bd7bf8168ef4c6a3118.jpg)
文章图片
模型评价方法
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/c369daab6fcd464e8394ab2318882ecb.jpg)
文章图片
峰值信噪比(PSNR)
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/8873f8b61328411ba051e1f36d3c96be.jpg)
文章图片
结构相似度(SSIM)
![图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】](https://img.it610.com/image/info8/c78e131e19154484bd168e9e1e97e07c.jpg)
文章图片
【图像视频超分辨率|视频超分辨率算法模型概述【图像视频超分辨率】】
推荐阅读
- 人脸识别|【人脸识别系列】| 实现自动化妆
- C语言学习|第十一届蓝桥杯省赛 大学B组 C/C++ 第一场
- paddle|动手从头实现LSTM
- pytorch|使用pytorch从头实现多层LSTM
- 人工智能|干货!人体姿态估计与运动预测
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- 分析COMP122 The Caesar Cipher
- pytorch|YOLOX 阅读笔记
- 前沿论文|论文精读(Neural Architecture Search without Training)
- 联邦学习|【阅读笔记】Towards Efficient and Privacy-preserving Federated Deep Learning