图像超分辨率重建技术是指从低分辨率图像中重建高分辨率图像的技术。由退化模型可知图像复原是一个不适定的问题，虽然有极大后验概率估计、凸集投影等许多传统复原算法，但正则化复原方法有时更为有效。正则化方法的主要目的是引入合理的约束来得到更好的图像复原结果，论文首先考虑常见的空域正则化方法，着重研究对约束算子和参数的选取。然后由参数的收敛性分析，讨论了有效实现正则化方法的迭代算法的思想。

SRGAN 基于CVPR 2017论文的SRGAN的PyTorch实现。

基于图像稀疏表征的图像超分辨率重建算法的matlab仿真+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

RDN 该存储库是。 要求 PyTorch 1.0.0 脾气暴躁的1.15.4 枕头5.4.1 h5py 2.8.0 tqdm 4.30.0 火车 可以从下面的链接下载转换为HDF5的DIV2K，Set5数据集。 数据集 规模 类型 关联 DIV2K 2个 火车 DIV2K 3 火车 DIV2K 4 火车 第5集 2个 评估 第5集 3 评估 第5集 4 评估 否则，您可以使用prepare.py创建自定义数据集。 python train.py --train-file " BLAH_BLAH/DIV2K_x4.h5 " \ --eval-file " BLAH_BLAH/Set5_x4.h5 " \ --outputs-dir " BLAH_BLAH/outputs " \

基于小波和插值的超分辨率图像重建算法用于实现对图像的插值提高分辨率+含代码操作演示视频+参考文献资料 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

调整后的锚定邻域回归（A +）方法是用于单幅图像超分辨率的最新方法之一。 A +方法的一个重要的隐含假设是，与相似的低分辨率（LR）图像块相对应的高分辨率（HR）图像块也必须相似。 因此，HR补丁空间和LR补丁空间中的邻域回归可以共享相同的代表系数。 但是，由于超分辨率问题的不适性，该假设通常是无效的，并且非相似的HR样本色块通常共享较大的代表系数。 为了解决这个问题，我们建议通过将高分辨率的基于相似度的调整权重引入HR表示系数来改进A +方法，以减少这些非相似HR样本补丁的影响。 在超分辨率处理之前，这些调整权重以低的计算成本被合并到投影矩阵中。 数值结果表明，该方法能够以较低的计算成本有效地提高A +方法的性能。

超分辨率matlab代码SRCNN-Keras 在python和matlab中使用'bicubic'作为选项的resize函数是不同的，并且最近发表的论文通常使用matlab来生成低分辨率图像 通过以Theano为后端的Keras实现SRCNN。 为了与已发表的作品进行合理的比较，Matlab的imresize函数生成了低分辨率的图像。 使用预先训练的模型 在“测试”文件夹中运行SRCNN_test.m（训练集为Yang91）放大系数= 3 训练 注意：更多数据和更好的结果 使用Matlab生成培训补丁 使用Keras和Theano作为后端来训练SRCNN模型 将Keras模型转换为.Mat以使用Matconvnet进行测试 如何训练您的模型？ 生成训练补丁 运行SRCNN.py以产生SRCNN模型 首先运行load_save.py，然后运行save_model.m以生成Matconvnet模型 与原始实施的差异 使用Adam优化网络以实现快速收敛 依存关系 ，，。 如果该代码对您有帮助，请引用此文章：“使用深度卷积网络的图像超分辨率”。 笔记 此代码基于Keras-1。

Neural Enhance 使用深度学习实现超分辨率图像

drcn matlab代码通过 CNN 架构和 TV-TV 最小化实现单图像超分辨率 介绍 复制论文中实验的Matlab代码： Marija Vella, João FC Mota BMVC 2019 该论文描述了任何超分辨率算法的后处理步骤，但这与基于 CNN 的算法特别相关。 给定低分辨率图像 b 和超分辨率算法的输出 w，后处理步骤通过求解 TV-TV 最小化来生成改进的高分辨率图像： 我们的实验表明，这个过程步骤系统地提高了重建图像的质量，如 PSNR 和 SSIM 所测量的那样，即使基本算法是最先进的，（例如， ， ， ）。 要求 （针对 R2019a 进行测试） 内容 有 2 个主要文件夹：和 . 该文件夹包含三个子文件夹： - 来自数据集、 和 的地面实况图像； 这些用于测试。 - 我们考虑过的超分辨率方法的输出图像（、 和 ）。 根据缩放因子将它们裁剪为适当的大小，以避免与地面实况图像错位。 - 包含两个带有示例图像的子文件夹，一个带有真实图像，另一个带有来自 SRCNN 的输出图像，放大系数为 2 倍。 该文件夹包含运行所有实验所需的代码。 脚本experiments

superresolution_v_2.0.zip（包含POCS） 图像超分辨率MATLAB实现 一个完整的系统 很好的参考