传统算法模型

基于插值的技术

• 最邻近元法
• 双线内插法
• 三次内插法

基于重建的方法

概率论，集合类

• 凸集投影法（POCS）
• 贝叶斯分析法
• 迭代反投影法（IBP）
• 后验概率法
• 正规化方法
• 混合方法

基于机器学习的方法(非深度学习)

• Example-based方法
• 邻域嵌入法
• 支持向量回归方法
• 稀疏表示法

挑战和难度

• 散焦
• 噪点
• 压缩失真
• 传感器噪声

算法模型函数

模型学习函数

其中Ix和Iy低清图像和超分辨率图像分别表示，F表示超分模型，θ模型中的参数。

D表示降级映射， б模型中的参数。

学习模型的目标

L是损失函数，Φ(θ)为正则项，λ惩罚系数。

图像降级模型

采样简单

式中的↓表示采样操作，s表示采样的倍数

在模糊和噪声下采样

其中的⊙表示卷积，k为卷积核, n 为噪声（⊙代替上图的卷积操作符号）

预上采样

后上采样

逐步上采样

上下采样交替

模型评价方法

峰值信噪比(PSNR)

结构相似度(SSIM)