Meta-SR: A Magnification-Arbitrary Network for Super-Resolution论文解析_meta-sr:a magnification-arbitrary network for supe

https://blog.csdn.net/m0_37615398/article/details/88382556
这篇作者的解析就很不错，本文只在他的解析的基础上，对于本文认为的其他的重点加以补充。

因为该篇文章，主要解决 arbitrary scale factor 情况下的 super-resolution. 这样就能使得SISR实际中更多的应用。现在只给出该篇论文中比较重要的模型结构。

同时本文的思路，motivated by meta-learning, 所以之后我就主要给出一些关于meta-learning的博客，以及加上我自己的理解。

具体关于本文的详细介绍，链接中的博客主已经讲解的很详细了，不再赘述。

Location Projection

在从LR得到SR图像中对应pixel时候，用到floor function，为了表述方便，假设floor function是 f(x)例如：
r= 2, f(0/2)=0, f(1/2)=0,f(2/2)=1,f(3/2=1),f(4/2)=2,f(5/2)=2,f(6/2)=3,f(7/2)=3…
r=1.5,f(0/1.5)=0,f(1/1.5)=0,f(2/1.5)=1,f(3/1.5)=2,f(4/1.5)=2,f(5/1.5)=3,f(6/1.5)=4,f(7/1.5)=4…

正如上图中所表述的那样，r=2 时，LR中的每个pixel对应于SR中的两个点；而当r=1.5时候，LR中的pixel对应于SR中，有时一个点，有时两个点，是不一样的。

Weight Prediction

总而言之，权重也是通过一个网络来训练，并且是和floor function 有关的一个东西，而且我们也必须考虑scale，在计算权重的时候。

最后我们的算法如下：

关于meta-learning 的博客介绍

https://lilianweng.github.io/lil-log/2018/11/30/meta-learning.html
meta-learning, also known as “learning to learn”, intends to design models that can learn new skills or adapt to new environments rapidly with a few training examples.
There are three common approaches: 1) learn an efficient distance metric (metric-based); 2) use (recurrent) network with external or internal memory (model-based); 3) optimize the model parameters explicitly for fast learning (optimization-based).
这篇博客介绍的非常详细，关于meta-learning的知识。

更多的详细细节在博客文中。

关于meta-learning， 针对这个问题，博主总结了解决那个问题的三种方法，metric-based, optimization-based and model-based.

三种方法讲解都很详细。
目前来说，详细的看了下metric-based 和optimization-based的第一种方法。

https://blog.csdn.net/tozhangning/article/details/82802002
这个博主对于learning to learning做了一些介绍，分类，以及思路。
https://zhuanlan.zhihu.com/p/27629294
这个是知乎专栏关于learning to learn的通俗介绍
https://zhuanlan.zhihu.com/p/27696130
https://github.com/floodsung/Meta-Learning-Papers
上面这个是别人在github总结的learning to learn的文章。

以后研究有需要的时候再继续。