深度学习在单图像超分辨率上的应用：SRCNN、Perceptual loss、SRResNet

本文介绍了三种不同的卷积神经网络（SRCNN、Perceptual loss、SRResNet）在单图像超分辨率集上的实际应用及其表现对比，同时也探讨了其局限性和未来发展方向。

单图像超分辨率技术涉及到增加小图像的大小，同时尽可能地防止其质量下降。这一技术有着广泛用途，包括卫星和航天图像分析、医疗图像处理、压缩图像／视频增强及其他应用。我们将在本文借助三个深度学习模型解决这个问题，并讨论其局限性和可能的发展方向。

我们通过网页应用程序的形式部署开发结果，允许在自定义图像上测试文中的大多数方法，同样你也可以查看我们的实例：http://104.155.157.132:3000/。

单图像超分辨率：问题陈述

我们的目标是采用一个低分辨率图像，产生一个相应的高分辨率图像的评估。单图像超分辨率是一个逆问题：多个高分辨率图像可以从同一个低分辨率图像中生成。比如，假设我们有一个包含垂直或水平条的 2×2 像素子图像（图 1）。不管条的朝向是什么，这四个像素将对应于分辨率降低 4 倍的图像中的一个像素。通过现实中的真实图像，一个人需要解决大量相似问题，使得该任务难以解决。

图 1：从左到右依次是真值 HR 图像、相应的 LR 图像和一个训练用来最小化 MSE 损失的模型的预测。

首先，让我们先了解一个评估和对比模型的量化质量检测方法。对于每个已实现的模型，我们会计算一个通常用于测量有损压缩编解码器重建质量的指标，称之为峰值信噪比（PSNR／Peak Signal to Noise Ratio）。这一指标是超分辨率研究中使用的事实标准。它可以测量失真图像与原始高质量图像的偏离程度。在本文中，PSNR 是原始图像与其评估版本（噪声强度）之间图像（信号强度）可能的最大像素值与最大均方误差（MSE）的对数比率。

PSNR 值越大，重建效果越好，因此 PSNR 的最大值化自然会最小化目标函数 MSE。我们在三个模型中的两个上使用了该方法。在我们的实验中，我们训练模型把输入图像的分辨率提升四倍（就宽度和高度而言）。在这一因素之上，哪怕提升小图像的分辨率也变的很困难。比如，一张分辨率提升了八倍的图像，其像素数量扩大了 64 倍，因此需要另外的原始格式的 64 倍内存存