前言
1、上采样方法介绍
| 方法分类 | 方法名称 | 方法描述 |
| 基于插值的上采样方法 | 最近邻插值 | 使用距离最近的像素点的值进行插值操作 |
| 双线性插值 | 沿着图像的一个方向进行插值，然后再沿着另一个方向进行插值。插值的结果与先进行哪个方向的插值无关 | |
| 双立方插值 | 使用的插值函数为三次多项式，也是进行图像两个方向的插值操作 | |
| 基于学习的上采样方法 | 转置卷积 | 也成为反卷积，卷积核大小为3x3，步长为1，并使用0进行填充的卷积操作 |
| 亚像素卷积 | 通过卷积操作得到多个通道的特征图，然后对特征图进行重新排列，在多个通道之间重组，从而放大图像的尺寸 |
2、SISR深度学习主要方法
| 网络名称 | 发表时间 | 网络模型 | 损失函数 | 上采样方法 | 上采样框架 | 适用场景 | 改进点 |
| SRCNN | 2014,ECCV | 线性网络 | L2 | 双三次插值 | 预上采样 | 实景图像 | 首次提出将深度学习引入超分辨领域，提高重建质量 |
| SCN | 2015,ICCV | 线性网络 | L2 | 双三次插值 | 预上采样 | 实景图像 | 在深度卷积网络中加入稀疏表示先验信息 |
| FSRCNN | 2016,CVPR | 线性网络 | L2 | 转置卷积 | 后上采样 | 实景图像 | 较SRCNN提升算法处理速度 |
| ESPCN | 2016,CVPR | 线性网络 | L2 | 亚像素卷积 | 预上采样 | 实景图像 | 较SRCNN提升算法效率 |
| VDSR | 2016,CVPR | 残差网络 | MSE | 双三次插值 | 后上采样 | 实景图像 | 运用残差学习加深网络层数，同时可处理多尺度SR问题 |
| LapSRN | 2017,CVPR | 残差网络 | Char损失函数 | 亚像素卷积 | 逐步上采样 | 实景图像 | 通过逐步上采样、逐级残差和自身损失函数监督，提升算法速度以及重建效果 |
| EDSR | 2017,CVPRW | 残差网络 | L1 | 亚像素卷积 | 后上采样 | 实景图像 | 去除BN加快运行速度，加深网络深度 |
| MSRN | 2018,ECCV | 残差网络 | L1 |
亚像素卷积 | 后上采样 | 实景图像 | 运用多尺度残差网络提升算法效率 |
| DRCN | 2016,CVPR | 残差、递归网络 | L2 | 双三次插值 | 预上采样 | 实景图像 | 运用递归网络增大网络感受野，从而提升网络性能 |
| DRRN | 2017,CVPR | 残差、递归网络 | L2 | 双三次插值 | 预上采样 | 实景图像 | 运用局部多尺度和全局残差学习，减少参数并提升重建性能 |
| SRFBN | 2019,CVPR | 残差、递归、稠密网络 | L1 | 转置卷积 | 后上采样 | 实景图像 | 引入反馈机制的循环神经网络，从而提升重建效果 |
| SRDenseNet | 2017,ICCV | 密集网络 | L2 | 亚像素卷积 | 后上采样 | 实景图像 | 运用密集连接加强特征传播，减少参数数量，减轻梯度消失 |
| RDN | 2018,CVPR | 密集、残差网络 | L1 | 亚像素卷积 | 后上采样 | 实景图像 | 将残差、密集学习结合，客观指标和主观效果有所提升 |
| SelNet | 2017,CVPRW | 残差网络、注意力机制 | L2 | 双三次插值 | 后上采样 | 实景图像 | 使用选择单元允许特定值向下传递，提升重建效果 |
| RCAN | 2018,ECCV | 残差网络、注意力机制 | L1 | 亚像素卷积 | 后上采样 | 实景图像 | 将通道注意力机制引入网络，捕捉更重要的通道信息，从而提升重建效果 |
| SAN | 2019,CVPR | 残差网络、注意力机制 | L1 | 亚像素卷积 | 后上采样 | 实景图像 | 使用二阶通道注意力机制，更好的长距离空间内容信息 |
| TTSR | 2020,CVPR | 残差网络、注意力机制 | L1、对抗、感知损失 | 亚像素卷积 | 后上采样 | 实景图像 | 使用硬注意力机制进行纹理迁移，使用软注意力机制进行纹理合成 |
| SRGAN | 2017,CVPR | 生成对抗网络 | 对抗、感知损失 | 亚像素卷积 | 后上采样 | 实景图像 | 最早使用GAN网络进行图像超分辨，在主观视觉效果上提升明显 |
| ESRGAN | 2018,ECCVW | 生成对抗网络 | L1、对抗、感知损失 | 亚像素卷积 | 后上采样 | 实景图像 | 相较于SRGAN，生成器去掉BN、判别器对损失函数做出改进，提升重建效果 |
| SPSR | 2020,CVPR | 生成对抗网络 | L1、对抗、感知、梯度损失 | 亚像素卷积 | 后上采样 | 实景图像 | 基于GAN网络的方法，考虑保持图像内部的几何结构 |
![深度学习应用篇-计算机视觉-OCR光学字符识别[7]：OCR综述、常用CRNN识别方法、DBNet、CTPN检测方法等、评估指标、应用场景](https://ucc.alicdn.com/fnj5anauszhew_20230611_eba1a5baa8bf41b08e8306e0af20dbcd.png?x-oss-process=image/resize,h_160,m_lfit)