本文发表于CVPR 2018上
文献地址：https://arxiv.org/abs/1712.06087
作者项目地址：http://www.wisdom.weizmann.ac.il/~vision/zssr/
一、疑问：
1、 Zero-Shot 指什么？联系one-shot，few-shot
- 本文只用一张图像训练，没有其他额外信息或图像
- first unsupervised CNN-based SR method.
- does not require pretraining
2、 Zero-Shot 超分训练流程是怎样的?
论文第3页左下角：
- 训练LR 和其下采样的图像学习到二者关系
- 将这种关系用于 LR 以产生 HR输出。
在测试时训练？
3、 和 Blind SR的区别和联系？
4、 标题中Deep Internal Learning 指什么？
一张图像内的重复信息
5、 self-supervision 指什么？
We train a CNN to infer complex image-specific HR-LR relations from the LR image and its downscaled versions (self-supervision).
二、解决问题：
简单地说，就是LR-HR图像对训练过于理想，实际的 LR图像更复杂。
详细论述：
监督SR方法仅限于特定的训练数据，预先确定了从高分辨率（HR）对象获取低分辨率（LR）图像（例如，双三次缩放），而没有任何分散注意力的伪影（例如，传感器噪声，图像压缩，非理想的PSF等）。但是，真实的LR图像很少遵守这些限制，从而导致SotA（最新技术）方法的SR结果不佳。
三、怎么做：
提出“ Zero-Shot” SR
- 不依赖于先前的训练。
- 利用单一图像内部信息的内部重复性，并在测试时针对仅从输入图像本身提取的示例训练小型图像特定的CNN。
Image-Specific CNN – “Zero-Shot” SR.
(b) Our proposed method (ZSSR):
a small image-specific CNN is trained on examples extracted internally, from the test image itself.
It learns how to recover the test image I from its coarser resolutions. The resulting self-supervised network is then applied to the LR image I to produce its HR output.
四、原理：
理论分析：
The recurrence of small pieces of information (e.g., small image patches) across scales of a single image, was shown to be a very strong property of natural images.
理论依据：
- Fundamental to our approach is the fact that natural images
have strong internal data repetition. - internal entropy of patches inside a single image is much smaller than the external entropy of patches in a general collection of natural images.
- 参考文献23
总结：
一、创新点：
二、借鉴之处：
