Stochastic SR for Gaussian microtextures

超分辨率（SR）是一个问题，它包括重建由缩小操作降级的图像。这是一个不适定问题，没有唯一解，数值方法依赖于高分辨率图像的先验知识。虽然基于优化的方法通常是确定性的，但随着图像生成模型的兴起，对随机SR的兴趣越来越大，即从与给定低分辨率输入相关的所有可能的SR图像中进行采样。在本文中，我们构建了一个高效、稳定且可证明精确的采样器，用于高斯微纹理的随机SR。尽管我们的方法在涵盖的图像范围上受到限制，但我们的算法在微纹理应用中在感知度量和执行时间方面与深度学习最先进的方法相竞争。高斯微纹理框架还允许我们严谨地讨论各种重建度量的局限性，以评估SR例程的效率。

研究超分辨率（Super-Resolution，SR）问题，即如何重建由缩小算子降低质量的图像。这是一个不唯一的问题，需要先验知识。本文构建了一个高效、稳定且可证明精确的采样器，以解决高斯微纹理的随机SR问题。

本文提出了一种基于高斯微纹理的随机SR算法，该算法在处理微纹理图像时与深度学习方法在感知度量和执行时间方面具有竞争力。

本文的算法在处理微纹理图像时表现出色，并且使用高斯微纹理框架可以严谨地讨论各种重建度量的局限性。实验设计合理，结果表明该算法在感知度量和执行时间方面具有竞争力。

最近的相关研究包括深度学习方法和基于优化的方法。其中一些论文包括：'Deep Residual Learning for Image Super-Resolution'，'Accelerating the Super-Resolution Convolutional Neural Network'，'Learning a Deep Convolutional Network for Image Super-Resolution'等。