SRCNN是首次将深度学习卷积网络应用到图像超分辨率问题中
SRCNN的优点:
- 与最先进的基于示例的方法相比,它的结构设计得简单,但却提供了更高的准确性。
- 通过适度数量的过滤器和层,我们的方法即使在CPU上也能实现快速的实际在线使用。我们的方法比一些基于实例的方法要快,因为它是完全前馈的,不需要解决任何使用方面的优化问题。
- 实验表明,当有更大的数据集可用,或使用更大的模型时,网络的恢复质量可以进一步提高。相反,更大的数据集/模型对现有的基于实例的方法可能具有一定的挑战。
本文的贡献:
1. 我们提出了一种用于图像超分辨率的卷积神经网络。该网络直接学习低分辨率和高分辨率图像之间的端到端映射,除了优化之外,几乎没有预处理/后处理。
2. 我们建立了基于深度学习的SR方法与传统的基于稀疏编码的SR方法之间的关系。这种关系为网络结构的设计提供了指导。
3. 我们证明了深度学习在经典的超分辨率计算机视觉问题中是有用的,并且可以达到很好的质量和速度。
SRCNN算法流程:
- 输入一个低分辨率图像,然后通过双三次插值算法对其进行预处理(这是执行的唯一的预处理),将图片放大到目标尺寸,此时图像仍为低分辨率图像
- 通过三层卷积拟合非线性操作
第1层卷积:图像块的提取和特征表示
从低分辨率图像Y中提取(重叠)块,并将每个块表示为高维向量。这些向量组成了一组特征映射,其数量等于向量的维数。
第2层卷积:特征非线性映射
将每个高维向量非线性地映射到另一个高维向量上。每个映射的向量在概念上都是一个高分辨率块的表示。这些向量组成了另一组特征图。
第3层卷积:重建为高分辨率图像
将上述高分辨率块进行聚合,生成最终的高分辨率图像。
SRCNN对不同层使用不同的学习率
详细的论文精读:https://blog.csdn.net/m0_65590944/article/details/140705270