Dieser Artikel bietet einen systematischen Überblick über Deep Learning-basierte Single-Image Super-Resolution (SISR)-Methoden. Die Autoren beginnen mit einer Einführung in die Problemstellung, den Forschungshintergrund und die Bedeutung von SISR. Anschließend werden verwandte Arbeiten wie Benchmark-Datensätze, Upsampling-Methoden, Optimierungsziele und Bildqualitätsbewertungsmethoden vorgestellt.
Im Hauptteil werden die SISR-Methoden detailliert untersucht und in drei Kategorien eingeteilt: Simulations-SISR, Echtzeit-SISR und domänenspezifische Anwendungen. Die Simulations-SISR-Methoden werden weiter in effiziente Netzwerk-/Mechanismus-Design-Methoden, Methoden zur Wahrnehmungsqualität und Methoden zur Nutzung zusätzlicher Informationen unterteilt.
Für jede Kategorie werden die Kernideen, Architektur und Leistung der Methoden ausführlich beschrieben. Außerdem werden die Rekonstruktionsergebnisse einiger klassischer, neuester und State-of-the-Art-SISR-Methoden präsentiert, um die Leistung intuitiv zu veranschaulichen.
Abschließend werden offene Probleme in SISR diskutiert und neue Trends sowie zukünftige Forschungsrichtungen aufgezeigt. Insgesamt bietet dieser Artikel einen umfassenden und systematischen Überblick über den aktuellen Stand der SISR-Forschung und kann Forschern als wertvolle Referenz dienen.
إلى لغة أخرى
من محتوى المصدر
arxiv.org
الرؤى الأساسية المستخلصة من
by Juncheng Li,... في arxiv.org 04-15-2024
https://arxiv.org/pdf/2109.14335.pdfاستفسارات أعمق