第一遍：
摘要：现有的SR方法有两个潜在的限制：首先，学习从LR到HR图像的映射函数通常是一个病态问题，因为存在无限个HR图像可以下采样到相同的LR图像；其次，配对的LR-HR数据在现实应用中可能不可用，底层的降解方法通常是未知的。为了解决上述问题，本文提出了一种双重回归方案，通过在LR数据上引入额外的约束来减少可能函数的空间。具体而言你，除了LR到HR的映射之外，还学习了一个额外的双回归映射，估计下采样核并且重构LR图像,形成一个闭环，提供额外的监督。更关键的是双重回归过程不依赖HR图像，可以直接从LR图像中学习。
生成8x图像的效果对比。
双回归训练方案包括一个用于超分辨的原始回归任务，和一个用于将超分图像投影回LR图像的双回归任务，形成一个闭环。
4xSR的结构图，DRN包含一个原始网络和一个双网络（用红线标出）。绿色方框为下采样模块的特征图（左半部分），黄色方框为上采样模块的特征图（右半部分）。在U-Net之后，我们通过快捷连接将相应的浅、深特征映射连接起来。
7.结论：
本文针对成对和未成对数据，提出了一种新的二元回归方案。成对数据通过重构LR图像引入一个额外的约束，减少可能函数的空间。为成对数据，将双重回归方案用于现实数据。
读后总结：提出了一个新的双重回归方案，是一个基于UNet的网络结构，除了LR-》HR的映射还额外学习一个双回归映射，估计下采样核重构LR图像，引入一个额外的约束，形成闭环。
标签：采样,05,HR,回归,LR,Closed,图像,Resolution,闭环 From： https://www.cnblogs.com/wangzhe52xia/p/16755520.html