paper 地址：http://personal.ie.cuhk.edu.hk/~ccloy/files/eccv_2014_deepresolution.pdf
图像超分辨率重建
把一张 低分辨率图像(low resolution) 通过一定的算法 转换成 高分辨率图像(high resolution)；
在 深度学习 之前，有很多 传统方法 可以解决该问题，如 插值，但是效果一般；
SRCNN 是第一个 把 深度卷机网络 用于该任务的 深度学习模型，故被称为 图像超分辨率重建的 鼻祖；
可喜的的是 作者 有我们的国人 何凯明大神；
SRCNN 网络结构
作者认为，既然能够通过一定的算法提高图像分辨率，那么 低分辨 与高分辨 之间 一定有 “共通的特性”；
就是这么简单的假设，作者设计了 SRCNN；这里我想说的是，模型到底是什么不重要，重要的是 作者为什么 能设计这样的模型；
该模型的网络结构非常简单，只有 3 层卷积，如下图
第一层：对 低分辨率图像进行 特征提取，原文 9 x 9 x 64卷积核
第二层：对特征进行非线性映射，原文 1 x 1 x 32卷积核
第三层：对 映射后的特征进行重建，生成高分辨率图像，原文 5 x 5 x 1卷积核
// 生成 单通道图像，故c=1，与 输入保持一致
训练与测试
训练过程：在 高分辨率图像 上随机截取 patch，先进行降采样(目的是降低分辨率)，再进行升采样(模型需要，输入尺寸固定)，以此作为模型输入，label 是 截取的 patch，loss 为 逐像素 mes；
测试过程：先通过 插值等方式 降低分辨率，然后喂给模型
超分辨率的 质量评价
1. PSNR 峰值 信噪比
本质还是 逐像素差，差值越小，PSNR越大，质量越高
2. SSIM
3. MOS(意见平均分)主管
4. 感知损失
要看懂这张图，先学习 图像风格迁移，本文默认你已学过；
此处无需 风格损失，即无需 上面红色那一路；只用到了 内容损失；
这里 input x 也不需要，y’ 是重建后的 图像，yc 是 原高清图像，经过 后面的 cnn网络 提取特征，计算 特征之间的 mes，大致 如此，细节可自由发挥
总结
既然是 鼻祖，肯定不完美，有很多改进版，以后再说
参考资料：
https://zhuanlan.zhihu.com/p/49846783
https://zhuanlan.zhihu.com/p/27160373
https://www.bilibili.com/video/BV1pE411H7vd?spm_id_from=333.337.search-card.all.click&vd_source=f0fc90583fffcc40abb645ed9d20da32
