2017.7.16学习笔记-超分辨率、图像重构、图像重建、稀疏编码、神经网络

Google 超分辨率技术 RAISR

全称是“Rapid and Accurate Image Super-Resolution”，意为“快速、精确的超分辨率技术”。

利用机器学习，把低分辨率图片转为高分辨率图片

效果能达到甚至超过现在的超分辨率解决方案，同时速度提升大约 10 至 100 倍，且能够在普通的移动设备上运行。而且，Google 的技术可以避免产生混叠效应（aliasing artifacts）。

低分辨率图片重建为尺寸更大、像素更多、更高画质图片的技术：升采样方式；对于 RAISR，Google 另辟蹊径得采用机器学习

用一对低分辨率、高分辨率图片训练该程序，以找出能选择性应用于低分辨率图片中每个像素的过滤器，这样能生成媲美原始图片的细节。目前有两种训练 RAISR 的方法。

超分辨率

超分辨率(Super-Resolution) SR技术

通过硬件或软件的方法提高原有图像的分辨率，通过一系列低分辨率的图像来得到一幅高分辨率的图像过程就是超分辨率重建。

超分辨率重建的核心思想就是用时间带宽(获取同一场景的多帧图像序列)换取空间分辨率,实现时间分辨率向空间分辨率的转换。

与SR技术相关的另一个课题是图像插值，即增加单幅图像的尺寸。尽管这个领域已经被广泛地研究，即使一些基本的功能已经建立，从一幅近似的LR图像放大图像的质量仍然是有限的，这是因为对单幅图像插值不能恢复在LR采样过程中损失的高频部分。因此图像插值方法不能被认作是SR技术。为了在这方面有更大的改进，下一步就需要应用基于同一场景的相关的额外数据。基于同一场景的不同的观察信息的融合就构成了基于场景的SR复原。

图像超分辨率重建简介 - 计算机视觉小菜鸟的专栏 - CSDN博客 http://blog.csdn.net/carson2005/article/details/11631081

超分辨率重构的方法有：

规整化重建方法，

非均匀空间样本内插方法

迭代反投影方法(IBP)

集合理论重建方法(凸集投影POCS)

统计重建方法(最大后验概率MAP和最大似然估计ML)

混合ML/MAP/POCS方法

自适应滤波/维纳滤波/卡尔曼滤波方法

确定性重建方法

基于学习和模式识别的方法