基于深度学习的热红外图像超分辨率

        基于深度学习的热红外图像超分辨率（Infrared Image Super-Resolution）是一种利用深度学习技术提高热红外图像空间分辨率的方法。在超分辨率任务中，模型的目标是从低分辨率输入图像生成高分辨率的图像，以提供更多细节和更清晰的图像。

以下是在热红外图像超分辨率中常见的深度学习方法和关键概念：

1. 深度卷积神经网络（CNN）：
   • 使用深度卷积神经网络是热红外图像超分辨率的常见选择。这些网络可以通过层次化学习，从低级别的特征逐渐提取高级别的特征，以更好地恢复图像的细节。
2. 生成对抗网络（GAN）：
   • GANs 在图像超分辨率中有广泛的应用。通过引入对抗性训练，模型可以生成更真实、更自然的高分辨率图像。GANs 还可以提高模型对真实世界中细节和纹理的学习能力。
3. 残差学习：