【数字图像处理3】（中）图像超分辨率重建（SR）——EDSR模型详解

前言

1、首先此次超清重建（SR）使用的不是插值之类的传统方法，而是使用的深度学习法。（插值法就是把像素等比例拉伸，拉伸之后中间会出现空白点，这些空白的点根据之前拉伸的店进行均匀过度）

2、其次，SR问题如果使用深度学习方法，一般有两种解决思路：

• 基于单张图片去SR，就是依靠现有低频信息去猜高频信息，中途用了很多数学知识，建立模型，最终就看高频信息能不能猜的准，猜得准这个模型就好用；但是这个过程就很麻烦，费时间。
• 另外的基于参考图像方法，顾名思义，我先搜一张和原图差不多的图像，我看看他的低频信息和高频信息是怎么联系起来的，之后我再照猫画虎去推导本图像的高频信息。
• 而我就是用的第一种方法中的EDSR模型来实现超分辨率重建

3、最后，本文主要讲解EDSR都包含哪些模块？以及每个模块的作用是什么？但是对于为什么该团队偏偏使用了这些模块，在该团队的论文中以及我能查找的文献中没有说明。再加上本人能力有限，这类问题将会先行放过。

EDSR 模型架构

简介

• EDSR模型，全称为enhanced deep super-resolution network（增强的深度学习超分辨率重建网络）

在本文中，EDSR主要具有两大特点：

1. 使用了ResNet残差思想
2. 移除了batchnorm（就是常说的BN层-批处理层，后面会解释）

EDSR模型包含以下层/模块：

1. Conv层（卷积层）
2. ReLu激活层
3. Mult层（残差缩放层）
4. ResBlock（残差块）
5. UpSample （上采样模块）。
6. Shuffle层

图像输入之后，会先进行卷积、激活、残差缩放，学习到图片的高频特征，之后再进行upsample上采样（上采样对应的是下采样池化，上采样是进行分辨力增加的步骤）进行图像的最终超清晰度重建。

EDSR模型的简单架构如图：

接下来就会详细讲解这些层/模块的作用。

1、Conv层（卷积层）

卷积层的作用：

1. 提取图像的特征，并且卷积核的权重是可以学习的，卷积操作能突破传统滤波器的限制，根据目标函数提取出想要的特征；
2. 参数共享（一个卷积核用来滤整个图像，而不是很多个卷积核），