From Early Models to Modern Techniques: A Deep Learning Survey on Single Image Super-Resolution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The primary goal of Single Image Super-Resolution (SISR), a fundamental yet challenging computer vision task with several practical applications in domains such as surveillance, medical imaging, and remote sensing, is to reconstruct a high-resolution (HR) image from a single low- resolution (LR) input. The performance of SISR has been greatly improved by the advent of deep learning, specifically Convolutional Neural Networks (CNNs) and Transformer architectures. An extensive review of deep learning-based SISR techniques is presented in this study. Begin by formulating the SISR problem and discussing prevalent evaluation metrics that balance distortion (e.g., PSNR) and perceptual quality (e.g., SSIM, LPIPS). Subsequently, classifying and analyzing key methodologies across five categories: interpolation-based and traditional models, CNN-based architectures (e.g., SRCNN, VDSR, EDSR), GAN-based frameworks (e.g., SRGAN, ESRGAN, Real-ESRGAN), attention-enhanced networks (e.g., RCAN), and Transformer-based approaches (e.g., SwinIR, HAT). In each category, the theoretical framework, design innovations, and corresponding advantages and limitations are explored. By showing architectural design strategies and training paradigms, this review highlights a structured understanding of the significant evolution from early CNNs to sophisticated GANs and Transformers in SISR, serving as a reference for future model development and practical deployment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle