《Detection of Tea Leaf Blight in Low-Resolution UAV Remote Sensing Images》
- 发表信息：发表于《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》2024 年，作者 Gensheng Hu 等，来自安徽大学等。
- 核心内容
- 背景：茶叶枯萎病检测重要，现有方法对低分辨率无人机图像检测效果差。
- 方法：两阶段网络，RFBDB - GAN 恢复图像细节，LWDNet 检测病害。
- 网络
- RFBDB - GAN：生成器和判别器结构改进，联合损失训练，改进 RFB。
- LWDNet：基于 YOLOv5s，改进特征提取和融合，用 SIoU 损失。
- 创新点：结合多种技术优势，改进网络结构提升性能。
《Noise-Free Optimization in Early Training Steps for Image Super-resolution》
- 发表信息：发表于 AAAI 2024，作者为 MinKyu Lee、Jae-Pil Heo 等，来自韩国成均馆大学。
- 核心内容：分析超分辨率中 vanilla 训练的组成部分，将原始损失函数分解为质心和噪声项。指出当前训练方案忽略超分辨率不适定性，导致训练不稳定。提出通过估计质心获无噪声下界以改进训练，还提供克服估计误差的方法，通过平滑过渡在早期受益于稳定训练，后期最小化近似误差。
- 创新点：提出基于质心估计的无噪声优化方法，改善超分辨率训练稳定性和性能。
- 研究贡献：为超分辨率训练提供新理解和改进方法，有助于提高模型性能和训练稳定性。
- 代码：2minkyulee/noise-free-optimization-in-early-training-steps-for-image-super-resolution： [AAAI2024] 图像超分辨率早期训练步骤中无噪声优化的官方存储库 (github.com)
《Learning a Deep Convolutional Network for Image Super-Resolution》（SRCNN）
- 发表信息：发表于 ECCV 2014，由香港中文大学的 Chao Dong 等人提出，是深度学习应用在超分辨率重构上的开山之作。
- 核心内容：首次使用深度学习（CNN）来进行图像超分辨率重建。该算法的网络结构相对简单，只有三层卷积层，分别对应图像块的提取与表达、非线性映射和重建这三个步骤。它将基于样例学习的方法转化为卷积的形式，并且所有参数可以在训练过程中一起得到优化，是一种端到端的学习过程。
- 意义与影响：为后续基于深度学习的超分辨率重建算法奠定了基础，让研究人员看到了深度学习在超分辨率重建领域的巨大潜力，引发了大量相关研究。
- 代码：实现代码可在Learning a Deep Convolutional Network for Image Super-Resolution获取。训练使用 cuda-convnet 包实现。
《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》（SRGAN）
- 发表信息：发表于 arXiv:1609.04802v5 [cs.CV] 2017 年 5 月 25 日，由 Christian Ledig、Lucas Theis 等人提出。
- 核心内容：提出了用于图像超分辨率（SR）的生成对抗网络（GAN）SRGAN。采用深度残差网络（ResNet）和跳连接，感知损失函数由对抗损失和内容损失组成。对抗损失通过训练的判别器网络促使解决方案接近自然图像流形，内容损失基于 VGG 网络的特征图计算，更关注感知相似性而非像素空间相似性。
- 意义与影响：在高放大倍数（4×）的图像超分辨率任务中取得了新的先进水平，通过大量的平均意见得分（MOS）测试证实了 SRGAN 在感知质量上的优势，为图像超分辨率领域提供了新的方法和思路，推动了 GAN 在图像超分辨率等计算机视觉任务中的应用和发展。
- 代码：代码可在https://twitter.box.com/s/lcue6vlrd01ljkdtdkhmfvk7vtjhetog获取。基于 Theano 和 Lasagne 实现，训练使用 NVIDIA Tesla M40 GPU，使用 Adam 优化器进行训练。
《Accurate Image Super-Resolution Using Very Deep Convolutional Networks》（VDSR）
- 发表信息：发表于 CVPR 2016，由韩国科学技术院的 Jiwon Kim 等人提出。
- 核心内容：使用了非常深的神经网络模型进行超分辨率预测，并结合残差学习来加速模型的训练。通过带 padding 形式的卷积，使得输入与输出的尺寸保持一致，增加了模型的灵活性和可变性。该方法在多个超分倍数上都取得了较好的效果，并且相比其他方法在速度和效果上有一定优势。
- 意义与影响：证明了深度神经网络在超分辨率重建中的有效性，推动了后续对更深层次网络结构的研究，残差学习的思想也被广泛应用到其他图像重建任务中。
《Deep Residual Channel Attention Networks for Image Super-Resolution》（RCAN）
- 发表信息：发表于 ECCV 2018，由哈尔滨工业大学的 Yulun Zhang 等人提出。
- 核心内容：提出了深度残差通道注意网络。该网络采用了 Residual in Residual（RIR）结构，由多个残差组构成，每个残差组内包含多个残差块，这种结构让低频信息可以绕过网络，使主干网络只学习高频信息。此外，还提出了通道注意力机制，能够自适应地调整不同通道的权重，从而更好地恢复图像的高频细节。
- 意义与影响：在超分辨率重建的准确性和视觉效果上取得了显著提升，为超分辨率重建算法的发展提供了新的思路和方法，尤其是在网络结构设计和特征学习方面。
《Enhanced Super-Resolution Generative Adversarial Networks》（ESRGAN）
- 发表信息：发表于 ECCV 2018 Workshop，由 Xintao Wang 等人提出。
- 核心内容：是对 SRGAN 的改进，主要从三个方面进行了优化。在网络结构上，移除了 BN 层，使用 Residual-in-Residual Dense Block（RRDB）作为基本构建模块；在损失函数上，使用相对平均判别器和改进的感知损失函数，提升了图像的相对真实性和纹理恢复程度；还提出了网络插值策略来平衡感知质量和峰值信噪比。
- 意义与影响：进一步提高了生成对抗网络在超分辨率重建中的性能，使生成的超分图像在视觉质量上更接近真实图像，为超分辨率重建算法的实际应用提供了更好的解决方案。
《Deep Back-Projection Networks for Super-Resolution》（DBPN）
- 发表信息：发表于 CVPR 2018，由 Dongwon Kim 等人提出。
- 核心内容：提出了一种迭代的错误反馈机制，通过计算上采样和下采样的投影误差来重构图像，以获得更好的结果。网络包含相互连接的上采样和下采样阶段，能够更好地学习低分辨率图像和高分辨率图像之间的映射关系，并且利用深度级联的方式表示不同类型的图像退化和高分辨率成分，从而更好地重建高分辨率图像。
- 意义与影响：为超分辨率重建提供了一种新的网络结构和训练方式，在大尺度因子的超分辨率重建任务中表现出色，对后续的研究具有一定的启发意义。
)
