基于Kronecker积的图像超分辨率快速算法

基于Markov约束的最大后验概率超分辨率图像复原。 很好的参考论文，被很多人引用，可以学到很多东西。

深度卷积网络的遥感图像超分辨率

数字图象处理实验一源代码 I=imread('lena.jpg'); imshow(I); for i=1:512 for j=1:512 R(i,j)=I(i,j); end end

针对多帧低分辨率图像重建问题,提出了基于稀疏编码和随机森林的超分辨率算法。首先,使用高分辨率训练图像和低分辨率训练图像获取高分辨率字典;然后,使用重叠块缓解块边界的振铃现象,并使用反向投影保证全局一致

基于极深网络的图像超分辨率算法研究，林思远，门爱东，论文基于超分辨率中的极深网络的方法实现图像超分辨率。分析了极深网络与相对于卷积神经网络在图像超分辨率中的优势以及极深网络

图像融合是图像拼接中的关键技术。在CUDA中充分利用GPU的多处理单元和多线程机制对图像处理进行并行计算，较传统的CPU实现大大加快了多分辨率图像融合的执行速度，提高了应用体验。

基于词典学习和稀疏表示的超分辨率方法，是一种图像复原的快速方法，也是最近发现的的比较使用的方法，主要用于序列图像的超分辨率复原

单幅图像超分辨率(SR)复原是一个病态逆问题, 需要利用图像的先验知识进行正则化约束。提出了一种同时考虑外在样例和内在自相似性的单幅图像SR复原算法, 其中外在先验知识是通过卷积神经网络从外在低分辨率

本文提出了一种基于超分辨率图像重建的质心细分定位的新方法。在图像识别与匹配中,往往需要用到物理、数字等的特征提取方法,当给定的图像分辨率低时,就会使得所提取出的特征产生不可忽略的误差。为了解决这一问题

深度卷积网络在单幅图像超分辨问题上取得了非常好的效果,然而,由于超分辨问 题的病态性,自低分辨率的图像复原得到高分辨率图像的算法仍然有很大的改进空间。为了进一 步提高单幅图像超分辨率重建的精度,主要做