问题背景
恢复SR是一个逆问题
一般恢复SR image是需要很多的 同样场景的low-resolution images 然后加一些先验来约束
由于SR image 到 low-resolution images 丢失了很多信息，因此反过来求解SR image 的解是不唯一的。

文章的创新
将由单一的low-resolution image来恢复SR image

从compress sensing 角度来处理问题
训练数据变少，与传统的基于学习的算法（Neighbor embedding）相比，它可以选择周围最相关的patches来重构，而不是选择固定领域。

问题描述
给低分辨率图像Y，恢复相同场景的SR image X。
满足这样一个等式约束
Y = DHX         其中H是blurring filter，D是下采样因子
病态问题
稀疏编码的先验
X的patches 能够线性稀疏表示

方法介绍
局部模型的稀疏表示

SR图像的全局重建约束

通用的全局优化目标函数

从一个更普遍的全局优化角度看问题
   代价是 计算复杂量增加
    好处是：同时计算所有的patches
   具体方法
不需要非常稀疏的编码
增加了惩罚项等
一个更大的优化问题

 

相关PPT下载详见 “视觉计算研究论坛”「SIGVC BBS」：http://www.sigvc.org/bbs/thread-54-1-1.html

转载本文请联系原作者获取授权，同时请注明本文来自吴怀宇科学网博客。
链接地址：https://wap.sciencenet.cn/blog-4099-637984.html

上一篇：[CV论文读讲] sparse coding稀疏表达论文列表
下一篇：[CV论文读讲] Nature96－Emergence of simple-cell receptive