图像超分辨率（Super Resolution，SR）是指从低分辨率（Low Resolution，LR）图像中恢复高分辨率（High Resolution, HR）图像的过程，是计算机视觉和图像处理中一类重要的图像处理技术。SR在现实世界中有着广泛的应用，如医疗成像、监控和安全等。除了提高图像感知质量外，SR还有助于改善其他计算机视觉任务。一般来说，超分辨率分析是非常具有挑战性的，而且本身就是一个难题，因为总是有多个HR图像对应于一个LR图像。在已有文献中，研究人员提出了各种经典的SR方法，包括基于预测的方法、基于边缘的方法、统计方法、基于patch的方法和稀疏表示方法等。

近年来，随着深度学习技术的快速发展，基于深度学习的SR模型得到了快速发展，并在SR的各种基准上取得了最先进的性能。各种各样的深度学习方法已经被应用于SR任务，从早期的基于卷积神经网络（CNN）的方法到最近使用的生成对抗网络的SR方法。一般来说，使用深度学习技术的SR方法在以下主要方面有所不同：不同类型的网络架构、不同类型的损失函数、不同类型的学习原理和策略等。

超分辨率分析可以分为视频超分辨率VSR(Video Super Resolution) 和单帧超分辨率SISR(Single Image Super Resolution)，本文重点关注单帧超分辨率分析方法。本文聚焦于深度学习技术，回顾SISR中必备的TOP模型。

1、 SFT-GAN

本文是cvpr2018的图像超分辨率论文，引入了图像的分割掩码作为超分辨率的先验特征条件，即SFT layers。具体的，文章提出了使用先验类别信息来解决超分辨率纹理不真实的问题，就是在超分辨率的合成中使用语义图，语义图的生成使用了图像分割网络。文章探讨了不同分辨率下的语义分割的误差，比较后发现其实高低分辨率图像对于分割的精度影响不大。整个模型的架构如图1。

图1 SFT layer可以方便地应用于现有的SR网络。所有的SFT layer共享一个条件网络。条件网络的作用是从先验中产生中间条件，并将条件广播给所有的SFT layers，以便进一步产生调制参数

如图1，模型有两个输入，一个是低分辨率图像，另一个是分割语义图，分割语义图经过condition network 生成conditions feature map ，值得注意的是整个网络每一层的conditions feature map 都是共享的，而SFT layer是不共享的。这就相当于每隔一个卷积层就有一个conditions 的SFT layer。

SRGAN总体公式如下：

模型可分为生成和鉴别两部分。其中，生成器Gθ由两部分组成：条件网络和SR网络。条件网络将分割概率图作为输入，然后由四个卷积层处理。它生成所有SFT层共享的中间条件。为了避免一个图像中不同分类区域的干扰，通过对所有卷积层使用1×1的核来限制条件网络的感受野。SR网络由16个残差块构建，具有所提出的SFT层，其以共享条件作为输入并学习（γ，β）以通过应用仿射变换来调制特征图。引入Skip connection用于简化深度CNN的训练。通过使用最近邻上采样后跟一个卷积层来上采样特征。上采样操作在网络的后半部分中执行，因此大多数计算在LR空间中完成。

对于鉴别器Dη，应用VGG来逐渐减小空间维度。鉴别器不仅可以区分输入是真的还是假的，还可以预测输入属于哪个类别。

SFT layer 是一个小型的network 用于生成不同层的condition 信息。SFT layer 有两个输入，一个是condition network 的输出conditions，另一个则是上一层的输出F。conditions 计算出γ, β ，继而计算出整个SFT layer的输出，而整个SFT layer又作为下一层的输入。

最后，有两个目标函数，一个是vgg感知loss ，另一个是鉴别器的loss：

当前SOTA！平台收录SFT-GAN共3个模型实现。

2、 CSRCNN

随着SRCNN的发展，深度学习技术已被广泛应用于图像超分辨率任务。许多研究人员专注于优化和改进SRCNN的结构，实现了良好的处理速度和修复质量。然而，这些方法在训练过程中大多只考虑特定比例的图像，而忽视了不同比例图像之间的关系。基于这种考虑，本文提出了一个用于图像超分辨率的级联卷积神经网络（cascade convolution neural network，CSRCNN），它包括三个级联的快速SRCNN，每个快速SRCNN可以处理一个特定比例的图像。因此，不同比例的图像可以同时训练，所学的网络可以充分利用不同比例图像中的信息。

图2 CSRCNN网络结构。该网络由三个级联的FSRCNN组成，其中每个FSRCNN的放大系数为2。网络的输入大小为一个