图像超分辨率学习总结

本文总结了图像超分辨率学习的主要发展历程和未来趋势，核心发展路径如下：主要发展历程从AlexNet开始，图像超分辨率逐渐融入深度学习，如SRCNN首次应用深度卷积网络。VGGNet和更小卷积核的引入，如FSRCNN，推动了网络深度的提升。ResNet的出现和残差结构在超分辨率中的应用，如SRResNet、VDSR和DRCN，使得模型精度显著提升。DenseNet的密集连接思想提高了特征利用率，如SRDenseNet和RDN，但批归一化在超分辨率中的效果有所争议。注意力机制如SENet、Non-Local Attention的引入，如RCAN和SAN，增加了模型的复杂性，但效果提升有限。Transformer的兴起，如IPT和SwinIR，预训练和Transformer本身的优化成为研究重点。其他进展GAN在超分辨率中继续发展，如SRGAN和ESRGAN，关注生成对抗网络的改进。轻量级超分辨率技术，如CARN和FALSR-A，追求高效和快速处理。任意倍数缩放技术，如Meta-SR和LIIF，探索了更广泛的图像放大范围。未来发展趋势模型将继续融合通用分类网络，如Transformer/CNN/MLP，以适应不断进步的模型结构。大模型和自监督学习的结合可能成为解决数据限制的策略。模型将趋向于同时处理多个底层视觉任务，提升数据利用效率。小众领域如任意倍数缩放和轻量级超分将得到更多关注和研究。