最近查了一下基于深度学习的超分辨率重建方法，除了John的风格迁移网络直接说明了网络既可以用于风格迁移，也可以用于超分辨率，我还看到了两篇文章（暂时只找到这两篇）。
《Texture Enhancement via High-Resolution Style Transfer for Single-Image Super-Resolution》
论文地址：https://ieeexplore.ieee.org/document/8290957
基于的原理是大图像的纹理由不同尺度的小图像组成（类似于分形的思想？），例如下图缩小0.4倍再平铺的视觉效果和原始HR很像。
算法分为三个步骤：
- 使用一般的SR重建方法生成一幅初始HR图像；
- 将初始HR图像缩小再平铺，生成HR风格图像（缩小的尺度文中有介绍专门的算法，这里不介绍了）；
- 以初始HR图像作为内容图像，HR风格图像作为风格图像进行风格迁移，得到最终的结果。
网络的整体结构如下：
网络框架图
《Enhancing Image Quality via Style Transfer for Single Image Super-Resolution》
论文地址：https://ieeexplore.ieee.org/document/8290957
这篇文章没有细看，只看了一下方法图解。
- 用基于MSE损失的网络生成图像HR1；
- 用基于感知损失的网络生成图像HR2（文中使用的是SRGAN）；
- 以HR1为内容图像，HR2为风格图像进行风格迁移；
- 风格迁移结果与HR1做一个soft thresholding，得到最终图像。
但是我不知道这个方法这样处理的意义何在，后面有机会可能再细看一下。
