1.intro
画像の超解像問題は、CVの分野における古典的な問題です。現在（2014年）は、最も高度な方法は、ほとんどの画像の内部類似の使用を含む、実施例に基づいて、または高解像度、低解像度のサンプルのマッピング関数を学習します。後者は、多くの場合、大量のデータを必要としますが、十分に満足のいく妥当性がないとモデルを合理化することはできません。この方法の典型的には以下の工程を含む、スパースコーディングに基づいている画像パッチと前処理密抽出を開始し、得られた低解像度のdictパッチエンコード疎係数を使用し、それは、高解像度で置き換えられています高解像度パッチを再構成するための辞書は、パッチは、合成されるか、または高解像度の画像を得るために平均されます。これらのメソッドは、学習と最適化辞書や他のモデリング手法に着目してきた、残りの手順はほとんど最適化されていないと考えられています。
この記事では、畳み込みニューラルネットワークなどの手順働きを提示します。私たちは、代わりに、隠れ層で辞書を学習し、直接高と低解像度画像のCNNエンドマッピングの設立を検討してください。重合に最適化されたため、このプロセスでは、パッチおよび抽出を得ることができます。これはSRCNNあり、それは次のような利点があります。1.モデルはシンプル、高精度です。2.速いスピード。データセットの増加に伴い3、再構成品質も向上させることができます。しかし、従来の方法では、データセットの増加は多くの課題をもたらすでしょう。
主な作品：
1.画像前処理後の超解像マッピング問題のために畳み込みニューラルネットワークベース端、少ない処理を提案しました。
2. SRメソッド深学習とスパースコーディングに基づいて、より伝統的な方法。
3.学習の深さはSRの問題に適用することができ、より良い品質とスピードを得ることができます示しています。
2.related仕事
2.1超解像
クラスの高と低解像度パッチ画像の超解像方式との間のマッピングを学ぶ、主な違いは、これらの取り組みが高く、低解像度パッチ辞書の仲間とマニホールド宇宙側面のいくつかを学び、そしてどのようにこの空間表現でプログラミングするということです。
フリーマンの研究：要素内の辞書を直接、高および低解像度パッチ権利を表す対応する高解像度パッチに対応する低解像度空間における入力パッチ最近傍（NN）を見つけます。
代わりに、技術NN戦略を埋め込むマニホールドを使用する：チャンの作品
ヤンの仕事：NNは、より高度なスパースコーディングに進むには対応しています。このスパース符号化と改善がSRの最も先進的な方法です。
2.2 CNN
最近ので、画像分類の分野での成功のCNNは高温になります。
画像奥行き研究の分野で復元2.3
ノイズ除去のためのノイズ除去とポストぼけ修正の画像ノイズ除去、CNN自然画像のための自然MLPとノイズパターンを排除：この分野で奥行き画像の復元を使用して学習技術の応用のいくつかの例がありました。画像は、アプリケーションのスーパーサブフィールドされていません。
3ksrichnhn
3.1