（SRCNN）Image super-resolution using deep convolutional networks

[原文](http://blog.csdn.net/wonengguwozai/article/details/51540585)

（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