目录
- 1 超分辨率成像
- 2 小波变换相关技术
- ▪ DASR
- 3 深度神经网络相关技术
- ▪ SRCNN
- ▪ 图像转移网络
超分辨率成像
超分辨率成像（Super-resolution imaging，缩写SR），是一种提高影片分辨率的技术。在一些称为“光学SR”的超分辨率成像技术中，系统的衍射极限被超越；而在其他所谓的“几何超分辨率成像”中，数位感光元件的分辨率因而提高。超分辨率成像技术用于一般图像处理和超高分辨率显微镜。
小波变换相关技术
在2000年以来，小波变换的技术被使用在提高影像的分辨率。
DASR
DASR (Demirel-Anbarjafari Super Resolution)是使用离散小波变换（Discrete wavelet transform）来进行超分辨率成像的方法。当时，超分辨率成像通常是以内插影像的像素值来完成，而作者认为，对影像中的高频部分进行内插是造成品质降低的主要理由，因为内插高频部分让物体的边界变得模糊且平滑，于是提出使用离散小波变换的算法来减轻这个问题。
影像可以表示成二维的讯号，经过二维的离散小波变换，可以被分解成四个不同频段的影像，分别是：low-low (LL)、low-high (LH)、high-low (HL) 和 high-high (HH)，各自代表在不同维度是高频或低频，举例来说，LH就是在原影像的xxx维(x轴)是低频而在第二维(y轴)是高频的分解后结果。
将原影像分解为LL、 LH、 HL和HH后，DASR会对高频段的三张影像LH,、HL和HH分别做内插，以产生高分辨率的LH、 HL和HH。这是由于作者认为，将不同的高频影像各自做内插，能够避免彼此干扰，进而保留更多的高频资讯。DASR不会内插LL，而是内插原图来当作高分辨率的LL，因为原图比LL含有更多资讯。取得四张高分辨率的LL、LH、 HL和HH后，DASR将四张影像经过逆离散小波变换(Inversed discrete wavelet transform)，来生成最终的成像结果。
DASR当时在 Lena、Elaine、Pepper和Baboon上取得State-of-the-art的结果，并超越传统使用内插和其它使用离散小波变换的方法。
深度神经网络相关技术
随着神经网络的流行，相关技术也被应用在提高图片分辨率。
SRCNN
SRCNN ( Super-resolution convolution neural network )是一个神经网络，输入是一个低分辨率（视觉上）的图像，而输出是一个高分辨率的图像，这里需要注意的是，在将图像喂进神经网络前，需要先经过一个预处理bicubic interpolation，将原始图片变成跟想要的高分辨率图像一样大小后，再喂进神经网络中。而神经网络做的事情，主要分成三个步骤区块特征抽取与表达（Patch extraction and representation）、非线性对应（non-linear mapping）以及重建（reconstruction）。
图像转移网络
这个图像转移网络由5个residual block所组成，而所有非residual的convolution layer后面都会接上batch normalization。激活函数（activation function）的部分，除了在最后的输出层（output layer）使用scaled tanh使得输出的数值在0到255之间，其他都是使用RELU。
