SRCNN论文总结

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：

1. 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。
2. 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。
3. 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：

1. 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
2. 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

论文原文地址：http://​​​​​http://Dong, C., Loy, C.C., He, K., Tang, X.: Learning a deep convolutional network for image super-resolution. In: ECCV. (2014) 184–199