SR总结文章阅读理解
A Deep Journey into Super-resolution: A Survey
本文总结了使用深度学习进行图像超分辨的30多种方法，对文章内容进行简单简介，具体内容参考原论文
1.网络结构分类
文中作者将SISR分为9个类型，每个类型的代表模型如下图所示：
下图对每个模型进行了图形归纳，如查看详细信息，请查阅相关论文。
2.计算量、参数与PSNR
作者将一些算法的计算量和参数数量与PSNR的关系做了散点图，如下图所示，从计算量、参数量和PSNR来看，CARN、SRGAN、Selnet效果最好。
下图是各个算法的整体比较，包括模型深度，Filters大小等。
3.客观评价和主观评价
在常用数据集上对图像进行放大2、3、4倍，分别计算了PSNR和SSIM。
下图为部分图像的视觉效果，SRGAN虽然PSNR和SSIM值不是最高，但显示效果较好，可以看出，PSNR高并不表示视觉效果一定会好。
4.未来研究方向
1）、结合先验知识，针对特定场景进行图像超分；
2）、目标函数和评价方法的改进；
3）、统一解决方案；
4）、非监督图像超分辨；
5）、更高放大倍数的图像超分；
6）、任意放大倍数的图像超分；
7）、真实场景和人为图像退化方向；