一、四种上采样网络架构
- 预先上采样：先利用插值法上采样到指定大小，再利用CNN学习LR与HR之间的映射。
优点：
（1）与传统方法相比，深度cnn只需要对粗图像进行细化，大大降低了学习难度；
（2）可以采用任意大小和比例因子的插值图像作为输入；
缺点：
（1）预先上采样方法往往会带来一些副作用(例如噪声放大和模糊)；
（2）而且由于大多数操作都是在更大的feature map中执行的，所以时间和空间的成本要比其他框架高得多； - 后上采样：利用CNN直接对LR提取特征，最后上采样。
优点：
（1）计算量小；
（2）端到端，操作简单
（3）效果好，成为如今的主流框架； - Progressive Upsampling（逐步上采样）
如LapSRN，ProSR：A fully progressive approach to single-image super-resolution
优点：
（1）通过多次上采样实现分辨率的提升，对于大尺度的放大因子来说，单次上采样学习的难度很大，逐步上采样可以在大尺度放大因子时得到很好地效果；
（2）可以一步得到多个尺度的放大结果； - 迭代上下采样
如:DBPN
优点：
（1）该框架下的模型能够更好地挖掘出LR-HR图像对之间的深层关系，从而提供更高质量的重建结果。
缺点：
（1）设back-projiction设计标准尚不明确。DBPN中使用的反投影单元结构非常复杂，需要大量的人工设计。
（2）由于该机制刚刚被引入到基于深度学习的超分辨率中，因此该框架具有很大的潜力，需要进一步的探索。
二、上采样方法
- Nearest-neighbor Interpolation(最近邻插值法)：
为要插入的每个位置选择最近的像素值，而不考虑任何其他像素。因此，这种方法是非常快的，但通常产生块状的低质量的结果； - Bilinear Interpolation(双线性插值)
在两个方向上各做一次线性插值，详见：https://blog.csdn.net/qq_37577735/article/details/80041586 - Bicubic Interpolation（双三次插值）
在两个方向上分别做一次三次插值（cubic），与双线性插补相比，双三次插补需要4×4个像素进行计数，从而产生更平滑的结果，插补工件更少，速度更慢。 - Transposed Convolution（反卷积）
- Sub-pixel layer（亚像素卷积）