1. 贝叶斯 从discrete prior 到continuous prior ？　还是只要 continuous prior ?
   1.1 bayesian 和frequentist 的区别要不要说 ？ 这里要不要 也用frequentist 的方法做一遍 ？

2. SRCNN – 普通的CNN 要不要提 ？ 要说多详细 ？ 数据集要什么 BSD100 ？

3. 测量相似度的PSNR SSIM MSSIM

4. preceptral less —li feifei

5. GAN ?

6. VGG ?

7. ResNEt ?

Abstract

１．Intro

这段里说ＶＴ　和　

2 Related work

2.1 DCGAN 的发展

• Tonie 的paper

2.2 贝叶斯的发展

• 贝叶斯公式怎么推导
• discrete prior
• continuous prior
• 前面的常数的意义
• flat prior 和informative prior 怎么选

  2.3 Super Resolution 的发展

• resampling 方法 bicubic bilinear
• A+ sparse-coding- method （抄SRCNN）

3. method

总起段介绍VT 的方法和统计学原理

3.1.1 我统一了PT

3.1.2 我使用了Beta 方程

• conjugate prior 存在的意义， 为什么VT 问题 可以用beta 方程
• beta factor 是什么，为什么选30
• 数据量对结果的影响

3.2

总起段介绍SR

3.2.1 我使用了SRCNN

• CNN的 结构
• 每一层的参数是？
• 给图 keras 生成
• 给表 keras 生成

3.2.2 我使用了 RSRCNN

• CNN的 结构
• 每一层的参数是？
• 给图 keras 生成
• 给表 keras 生成
• 他的优点是快速

4. result

4.1 Beta 举例子

• 三个例子
  • 能区别
  • 不能区别
  • 一开始不能区别后来能区别了

4.2 SR

• normalisation 的方法
• 给结果图 和 传统方法比较
  • OMNIGLOT 的表现
  • BSD100 SET5 SET 100 的表现
• 给numerical comparision 和 传统方法比较
  • SSIM
  • PSNR

5. Conclusion

我发明了一个VT 的方法， 在实际使用中， 发现 原图可能会太小， 所以发明了一种让原图放大但不失真的SR 方法， 并且衡量了他们的表现