Image Super-Resolution Using Deep Convolutional Networks (SRCNN)

0.Abstract

作者提出一种深度学习的方法用于解决超分辨率问题(super-resolution, SR)，具体的是，使用CNN来拟合低分辨率图像和高分辨率图像的映射，这是一种端到端的方法；而且传统的基于稀疏编码的SR方法（the sparse-coding-based method）也是能被看作CNN的；重要是的，这个CNN是个轻量级模型，能在实际应用快速的同时，保证达到图像重建的当前先进水平(state-of-art)。

 

1.Introduction

解决SR问题的大概都是基于例子的策略（example-based strategy），主要有两种思路：

a.利用同一图像的内部相似性；

b.从外部低分辨率和高分辨率示例图片对中学习映射函数；

基于稀疏编码的SR方法就是学习映射函数的一种代表方法，该方法包括以下几步：

a.从输入图片中密集地进行采样形成大量的重叠的patch，并且对这些patch进行预处理（例如减去均值、标准化）；

b.使用一个低分辨率的字典（low-resolution dictionary）对patch进行编码；

c.使用一个高分辨率的字典（high-resolution dictionary）对b的输出进行编码，用来构建高分辨率的patch；

d.将重叠的patch进行聚合产生最终的输出；

作者提出的Super-Resolution Convolutional Networks（SRCN）具有以下几个优点：

a.结构简单但是准确率很高；

b.卷积核数和层数适中，在实际的及时应用中，即使使用CPU也能得到很快的相应速度；

 

2.Related Work

对于大部分的SR算法都是关注灰度图片或单通道的图片；至于彩色图片，这些传统的算法（例如）都是先将彩色图片（RGB）转换到不同的色彩空间（例如YCbCr、YUV），再在亮度通道上使用SR算法；

 

3.Convolutional Neural Networks for Super-Resolution

a.构想：

首先将输入图片使用双三次插值法（bicubic interpolation）放大到想要的大小，这是我们唯一需要做的预处理，并且我们把经过预处理后的图片记作Y。我们的目标是学习出一个映射F，使得F(Y)和真实高分辨率图片X尽可能的相似。如图1所示：

图1

我们想要学习的这个函数F，其实可以分解成三部分操作：<