qq_40280673的博客

图像分块处理后再拼接合并的原理是通过将大图分为小块进行处理，节省内存和计算资源，并通过重叠区域避免切块之间的边缘效应。最终，通过合并每个处理过的小块，并对重叠区域进行加权平均，生成处理后的完整图像。

一阶降解退化模拟真实噪声图像

SwinIR (基于Swin Transformer的图像修复网络) 是2021年提出的一种深度学习模型，专为图像修复任务设计，适用于超分辨率、去噪和压缩伪影去除等任务。SwinIR 依赖于Swin Transformer，这是一个采用分层架构并结合了滑动窗口的transformer模型，使得网络能够在图像中捕获局部和全局信息。SwinIR的分层结构和滑动窗口机制相比全局注意力机制模型降低了计算成本。

论文AnimeSR: Learning Real-World Super-Resolution Models for Animation Videos，一种专门为动画视频设计的超分辨率（SR）方法。AnimeSR通过专注于保留艺术风格和处理真实世界退化，成功解决了动画视频超分辨率中的独特挑战。该方法为动漫SR设定了新的标准，提供了一个能够在提升动画内容质量的同时保持其原始艺术意图的强大工具。

EDVR（Enhanced Deep Video Restoration）是一种用于视频超分辨率重建的深度学习方法，专注于提高视频质量和分辨率。EDVR 旨在解决视频超分辨率中的关键挑战，如复杂的运动估计、多帧信息融合、以及高效地恢复细节等。EDVR 被广泛应用于视频增强、去噪、去模糊、视频超分辨率等任务中。它在保持视频流畅性的同时，能够显著提高视频的清晰度和视觉质量。

模拟现实世界中的多种图像降解现象，使得模型可以学习更鲁棒的超分辨率复原能力。

RLFN方法由ByteESR团队设计，在NTIRE 2022高效超分辨率挑战赛中获得了赛道（主赛道）第一名和整体性能赛道（子赛道2）第二名。

SRGAN通过利用生成对抗网络（GAN）来实现单图像超分辨率重建。传统的方法如基于均方误差（MSE）的优化通常会导致图像平滑且缺乏细节，而SRGAN通过引入感知损失函数（perceptual loss），使得重建的图像不仅在像素级别上更接近高分辨率图像，而且在感知质量上也更加接近真实图像。

CAMixerSR是一种有效且高效的超分辨率网络，它通过动态分配注意力和卷积，实现了在保持高质量恢复的同时，大幅降低计算复杂度。这使得CAMixerSR在处理大尺寸图像的超分辨率任务时具有很大的优势。

BSRN（Blueprint Separable Residual Network）是一种轻量级的单图像超分辨率网络。它的设计灵感来自于残差特征蒸馏网络 (RFDN)和蓝图可分离卷积 (BSConv)。BSRN采用了与RFDN类似的架构，同时引入了一种更高效的蓝图浅残差块 (blueprint shallow residual block, BSRB)，即在RFDN的浅层残差块 (shallow residual block, SRB)中使用BSConv替换标准卷积。

超分辨率重建Omni-SR网络的推理测试

NGSwin这篇论文提出的方法在保持结构效率的同时，实现了高性能的超分辨率重建，这是一个非常有前景的研究方向。

超分辨率重建——SAN网络训练自己数据集及推理测试

超分辨率重建

Python中使用cv2.resize()函数批量自定义缩放图像尺寸