关闭

(SRCNN)Image super-resolution using deep convolutional networks

标签: cnn
3599人阅读 评论(6) 收藏 举报
分类:

(SRCNN)Image super-resolution using deep convolutional networks论文总结。
(中国海洋大学—刘利朋 版权所有)
abstract:
作者提出基于CNN的超分辨率图像复原、重建的方法。基于cnn的方法是使cnn网络学习在低分辨率图像与高分辨率图像之间的端对端(end-to-end)的映射函数F(Y)(设Y为低分辨率图像)与传统的方法(如稀疏编码)比较,SRCNN有结构轻量、各组件优化同步、准确率高且速度快等优点。
1.introduction
作者首先介绍了Super-Resolution(SR;超分辨率)的概念,以及在解决图像由低分辨率向高分辨率映射的不同方法,其中着重提了基于映射函数中的基于外部实例的方法。而基于稀疏编码的方法是基于外部实例的方法中最具代表性的方法。
作者受稀疏编码的启发,将稀疏编码的原理(或者说是处理过程)推广到了CNN中,使CNN对SR处理过程基本与稀疏编码一样。
作者的主要创新点:
1)提到基于端到端的low-high分辨率图像映射的CNN模型
2)简历自己提出的SRCNN与传统基于稀疏编码SR的对应关系
3)展示了SRCNN在图像分类以及在超分辨率(可推广至多通道)的优秀性能
2.Related work
2.1 Image Super-Resolution
对于处理图像中由低分辨率到高分辨率的过程,可以归为4中类型的处理,其中有一种是基于实例,(基于实例分为基于内部实例和基于外部实例)。基于内部实例实质上是学习low-high分辨率图像的自相似性,也就是获取low-high之间的字典对(或称映射对),这其中也涉及很多方法;另外就是基于稀疏编码的外部实例方法。
2.2 Convolutional Neural Networks
CNN特性:1)在处理图像分类中很牛
2)训练速度高效(GPU.RELU使然)
3)目前有充足的数据集(如Imagenet)满足cnn需要

2.3 Deep learning for Image Restoration
Deep learning技术在图像复原中应用很广,如其中的MLP(多层感知机)可被用于图像的去噪和去模糊,本文就用卷积网络进行了去噪,也就是说在low到hige的复原问题上或多或少对图像进行了去噪处理。

3。Convolutional neural networks for Super-resolution
3.1 规则(范)化
3。1.1patch 提取和表示
传统上首先提取patch(密集地),在进行降维(如PCA)操作,cnn与之对应的是用一系列的卷积滤波器处理图片!
那么

3
0

猜你在找
【套餐】Hadoop生态系统零基础入门
【套餐】嵌入式Linux C编程基础
【套餐】2017软考系统集成项目——任铄
【套餐】Android 5.x顶级视频课程——李宁
【套餐】深度学习入门视频课程——唐宇迪
【直播】广义线性模型及其应用——李科
【直播】从0到1 区块链的概念到实践
【直播】计算机视觉原理及实战——屈教授
【直播】机器学习之凸优化——马博士
【直播】机器学习&数据挖掘7周实训--韦玮
查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:119164次
    • 积分:2092
    • 等级:
    • 排名:第18216名
    • 原创:72篇
    • 转载:99篇
    • 译文:1篇
    • 评论:23条
    最新评论