身为一个编辑，除了文字工作这个主要的工作内容之外，经常还需要考虑一个很重要的问题：插图。
全是文字的文章肯定没有图文形式的文章抓人眼球，更别提这个视频当道的年代了，因此每次撰写文章的时候，笔者都要在无版权图片网站精挑细选，让图片和文章主旨契合，并且最好是高分辨率的图像。
但意外也总是有的，有的时候遇到了分辨率不足但偏偏最适合的图像，就很让人苦恼了，直接将低分辨率图像插入文章中，会很明显地感觉到视觉上的不舒适，虽然现在PS甚至是自带的画图工具都能修改图片分辨率，但强行拉伸的结果只会是：图片非常糊。
可以看到，在进行图片拉伸后，图片边缘已经出现了明显的毛刺感。
那有没有什么方法能够让图片无损放大呢？
别说，还真有，这个来自的项目“”就能做到。
项目地址为，有兴趣的朋友可以研究一下，网页版地址为。
闲话少说，这里直接放使用和普通拉伸图片后的对比（左侧为拉伸，右侧为使用的效果）。
可以看到，使用放大图片后，“5G”边缘的毛刺感不再明显，虽然部分区域还存在噪点问题，但整体上来说，比直接拉伸的效果要好太多。
那为什么可以做到无损放大图片呢？这是因为使用了名为SR-CNN的卷积算法，传统意义上来说，图像超分辨率问题研究的是在输入一张低分辨率图像时（LR），如何得到一张高分辨率图像（HR）。
传统的图像插值算法可以在某种程度上获得这种效果，比如最近邻插值、双线性插值和双三次插值等，但是这些算法获得的高分辨率图像效果并不理想。
SR-CNN是首个使用CNN结构（即基于深度学习）的端到端的超分辨率算法，它将整个算法流程用深度学习的方法实现了，并且效果比传统多模块集成的方法好。
SR-CNN流程如下:首先输入预处理。对输入的低分辨率LR图像使用算法进行放大，放大为目标尺寸。
那么接下来算法的目标就是将输入的比较模糊的LR图像，经过卷积网络的处理，得到超分辨率SR的图像，使它尽可能与原图的高分辨率HR图像相似。
与、SC、NE+LLE、KK、ANR、A+这些超分算法相比，SR-CNN在大部分指标上都表现最好，且复原速度也在前列，且RGB通道联合训练效果最好，这就意味着相比照片，在放大插画（你们最喜欢的二次元图片）时会更有优势。
