超分辨率算法：让模糊变高清

📚 共计 30 章节

超分辨率入门

什么是超分辨率？为什么需要超分辨率？超分辨率的发展简史。

像素、分辨率、色彩空间（RGB/YCbCr）、图像质量评价指标（PSNR/SSIM）。

像素色彩评价

传统插值方法

最近邻插值、双线性插值、双三次插值原理与实现。

模糊、下采样、噪声、压缩伪影——超分辨率问题的数学建模。

数据集与预处理

DIV2K、Set5、Set14、Urban100等数据集介绍，数据增强与预处理技巧。

数据集增强

评价指标详解

PSNR、SSIM、LPIPS、NIQE——客观与主观评价方法。

首个深度学习超分辨率网络，网络结构、原理与PyTorch实现。

SRCNN训练实战

数据加载、模型训练、损失函数选择、超参数调优。

加深网络，残差学习，梯度裁剪——训练更深网络的技巧。

亚像素卷积，实时超分辨率——效率与质量的平衡。

亚像素实时

紧凑网络设计，反卷积上采样——更快的SRCNN。

轻量反卷积

增强深度超分辨率，去掉BN层，扩大模型容量。

生成对抗网络中的超分辨率，感知损失与内容损失。

GAN感知损失

感知超分辨率，对抗训练，MOS主观评价。

改进的SRGAN，RRDB模块，相对判别器。

RRDB相对判别

通道注意力机制，残差通道注意力网络。

注意力通道

二阶注意力网络，非局部操作在超分辨率中的应用。

二阶非局部

残差非局部注意力网络，长距离依赖建模。

非局部长距离

权重归一化，扩大网络宽度——简单有效的改进。

归一化宽度

拉普拉斯金字塔网络，渐进式上采样。

金字塔渐进

多尺度残差网络，多尺度特征提取。

多尺度残差

级联残差网络，轻量级超分辨率。

信息多蒸馏网络，轻量高效超分辨率。

残差特征蒸馏网络，特征重用与蒸馏。

特征蒸馏重用

基于Swin Transformer的超分辨率，窗口自注意力。

Transformer窗口

高效长距离注意力网络，Transformer与CNN的融合。

长距离融合

混合注意力Transformer，通道注意力和空间注意力的结合。

混合注意力空间

真实世界超分辨率，高阶退化模型，实用化部署。

真实世界部署

盲超分辨率，未知退化核下的超分辨率。

盲SR未知退化

超分辨率应用与部署

移动端部署（NCNN/TNN）、ONNX导出、TensorRT加速、实际项目案例分析。

部署加速案例