# Super-Resolution: a survey

## 3. SR方法
- pre-upsampling SR
- 先用傳統的方法(e.g:Bicubic)==上取樣(放大圖片)==，然後再用深度學習refine(精煉)上取樣後的照片
- 問題：因為先做upsample的side-effect會使雜訊放大和變得模糊，且在高維度做運算會使時間和空間成本變高
- 例子：SRCNN
- post-upsampling SR
- 為了降低維度從而增加計算效率，先做convolution再做upsample
- 問題：只有一層upsample在scale factor(放大倍率)4,8倍以上時 學習難度會大幅上升，且每一個scale factor都需要有獨立的訓練模型
- progressively-upsampling SR
- 依序CNNs - upsample並不斷重複之後得出HR，慢慢放大圖片所以解決multiscale計算複雜的問題，降低學習難度並提高表現
- 問題：模型的設計變得很複雜...
- 例子：LapSRN, MS-LapSRN用前一級的復原照片來當base image
- 例子：proSR保留主要的資訊
- iterative up-and-down sampling SR
- apply back projection