前言
我们将学习图像恢复相关知识。主要有图像恢复的定义、评价标准和实现图像恢复的方法。图像恢复任务包括图像去噪、去模糊、图像超分辨率、图像修复等；评价标准有峰值信噪比和结构相似性；图像超分辨的方法有传统方法和基于深度学习的方法：传统方法包括了基于插值的方法和基于字典学习，而深度学习方法有很多，包括SRCNN，VDSR等。
一、图像恢复的定义
1.1 图像恢复的意义
由于环境的⼲扰（速度过快、天⽓原因、识别噪声等）导致的图像退化：
图像恢复与图像分割区别在于：图像分割是提取⾼级特征；而图像恢复的意义是做图像的理解。
1.2 图像恢复任务的定义
1.2.1 通用的简单退化模型
1.2.2 图像去噪
加性噪声有：
- 拍摄噪声(shot noise)：服从泊松分布
- 读取噪声(read noise)：服从高斯分布
- 暗电流噪声(Dark noise)：和器件本身有关
注意区分图像去噪与图像去模糊的区别：前者使⽤滤波，后者是叠加
1.2.3 图像去模糊
1.2.4 图像超分辨率
这部分内容将在本人第三部分进行详细阐述。
1.2.5 图像修复
1.2.6 图像分离
1.2.7 病态问题
二、图像恢复的评价标准
常用评价标准有峰值信噪比（PSNR）和结构相似性（SSIM），注意区分二者的优缺点：
三、图像超分辨率
3.1 图像超分辨率任务的定义
从低分辨率图像恢复原始的高分辨率图像：
- 产生逼真的、有细节的图像——内容、细节真实性
- 忠实于低分辨率图像的内容——内容匹配性
3.2 传统图像超分辨率方法
3.1.1 基于插值的方法
3.1.2 基于字典学习
基于一对互相对应的外部字典，分别对应高清图像空间和低清图像空间
3.3 基于深度学习的图像超分辨率方法
3.3.1 SRCNN & VDSR
3.3.2 ESPCN & SRResNet
3.3.3 Perceptual loss
3.3.4 Texture matching loss
3.3.5 SRGAN
3.3.6 SFTGAN
3.4 数据集采集
3.5 基本框架
【第一种多帧超分 (Multi-frame SR) 】
【第二种递归式序列超分 (Recurrent)】
总结
在本文中，我们学习了图像处理的又一技术——图像恢复。读者需要掌握图像恢复的定义是将含噪声图像、模糊图像、低分辨率图像或者破损图像等实现超分辨率重建，图像恢复的评价标准是峰值信噪比和结构相似性，以及图像超分辨率的相关方法，包括传统的方法（插值和字典），基于深度学习的方法。
