1.intro
图像超分辨率问题是在CV领域一个经典的问题。目前(2014)最先进的方法大多是基于实例的，主要包括利用图片的内部相似性，或者学习低分辨率高分辨率样本对的映射函数。后者往往需要大量的数据，但是目前有效性不足以令人满意并且无法精简模型。其中典型的是基于稀疏编码的方法，包括以下几步：先从图像中密集地抽取patch并进行预处理，然后使用low-resolution dict对patch进行编码，得到稀疏的coefficients，被换成high-resolution dict用于重建高分辨率patch，对这些patch进行合成或平均以得到高分辨率图像。这些方法将注意力都集中在对dict的学习和优化或者其他建模方法，其余步骤很少得到优化和考虑。
本篇文章我们提出，上述步骤作用相当于一个卷积神经网络。我们考虑直接在高低分辨率图像中建立一个端到端映射的CNN，用隐藏层取代对dict的学习。在这个过程中，patch的抽取和聚合也能够得到应有的优化。这就是SRCNN，其有以下优点：1.模型简单，精度高。2.速度快。3.随着数据集的增大，重建质量还可以增强。但是在以往方法中，数据集增大会带来很多挑战。
本文主要工作：
1.针对超分辨问题提出一个基于端到端映射的卷积神经网络，图像预处理后处理更少。
2.基于深度学习的SR方法和传统的基于稀疏编码方法的比较。
3.论证了深度学习在SR问题中可以被应用，且可以获得较好的质量和速度。
2.related work
2.1 图像超分辨
一类图像超分辨方法时学习高低分辨率patch间的映射，这些工作的主要区别在于学习一些将高低分辨率patch关联起来的dict和manifold space方面，和如何在此空间内进行方案表示方面。
Freeman的工作：dict里的元素直接代表高低分辨率的patch对，在低分辨率空间中找到input patch的最近邻居（NN），对应到相应的高分辨率patch。
Chang的工作：使用manifold embedding technique代替NN策略
Yang的工作：NN对应进展到更为先进的稀疏编码方式。这种稀疏编码方式及其改进是目前最先进的SR方法。
2.2 CNN
CNN最近因其在图像分类领域的成功而变得火热。
2.3 图像复原领域的深度学习
已经有一些使用深度学习技术在图像复原领域应用的例子：多层感知机用于自然图像去噪和post-deblurring去噪，CNN用于自然图像去噪和消除噪声图案。图像超分领域还并未得到应用。
3.SRCNN
3.1