VDSR：基于深度卷积神经网络的实现精确图像超分辨率重建(2016)

Abstract

我们提出一个高精确度的单张图像超分辨率重建方法。我们的方法由VGG-net启发,我们发现，网络的深度对于超分精确度有着十分重要的的影响，我们最终的网路有20层。通过这么多小尺寸的卷积层，有效的利用了图像中的上下文信息，面对深度网络难以训练的问题，我们使用大的学习率、梯度剪裁来解决这个问题。最后，实验证明我们提出的方法十分有效。

Intoduction

超分辨重建十分常用，广泛用于安全、监视、医疗等需要图像细节的领域。
在计算机视觉领域已经提出了很多的方法了，早期的方法比如bicubic插值、Lanczos resampling、基于utilizing statistical image priors、基于internal patch recurrence。
当前，最流行的时学习LR到HR之间映射关系的基于学习的方法。比如，Neighbor embedding、Sparse coding、random forest、convolutional neural network。
在这些当中，SRCNN开启了基于深度学习的超分方法。然而我们发现，这种方法有如下几个方面的局限：

• 算法依赖于小范围的图像区域
• 算法的训练很慢
• 算法只能针对单张图像做超分
  本文针对这个问题，提出了新的解决方法。

Context

我们提出的网络能过捕获到大图像区域。对于大尺度的超分，需要更宽的感受野来提供足够的细节信息，所以需要十分深的网路。

Convergence

使用大学习率、残差学习。LR与HR在很大程度上是十分相识的，所以残差学习十分有用，同时在输入与输出相似度很大时，大的学习率对于网路的收敛十分有效。

Scale Factor

我们的网络是Scale free的，尺度有用户定义。

Contributon

本文提出了一个十分深的卷积网路来实现超分辨率重建，这个方法十分有效，测试结果如图：

Related work

这里作者纠正了SRCNN文中的错误观点：深度网络对超分无用。

Proposed Method

• 除了第一层和最后一层，其他层的参数是：3X3X64
• 都知道，卷积操作会使得输入图像变小，这里，作者用零填充，使得经过每层网络后输入尺寸与输出尺寸相同。
• 在网络的最后会让网络学习的细节信息与输入图像融合，最终得到HR图像。
• 网络的loss有点不同：
  $$先构建残差图片r=y-x,x是LR图片，y是HR图片,$$
  $$loss=\frac{1}{2}||r-f(x)|{|}^2$$