srcnn （Learning a Deep Convolutional Networkfor Image Super-Resolution）论文阅读笔记

引言

        单图像超分辨（SR）是计算机视觉领域的经典问题。目前最先进的方法大多是基于样本。这些方法不仅可以利用相同图像的内部相似性，而且可以学习LR和HR之间的映射。

        稀疏编码的方法是基于样本最具代表性方法的一种。稀疏编码分为三部。首先从图片中提取大量的重叠块。然后，这些重叠块被低分辨率字典编码得到稀疏系数。最后，高分辨率字典根据这些系数重加高分辨图像。

        这篇论文的主要创新点有三点：

1. 提出了卷积神经网络用于图像的超分辨重建。网络直接学习高低分辨率图像的映射，没有其他预处理
2. 建立了深度学习SR和传统的稀疏编码方法之间的关系。
3. 证明了深度学习在解决超分辨问题是有效的。

相关工作

Image Super-Resolution

        一些最先进的超分方法时学习高低分辨率图像块之间的映射。稀疏编码的方法以及一些它的改进方法是最先进的方法。在那些方法中优化的对象主要还是图像块。而且块的提取和聚合是单独处理的。本文方法是直接学习低分辨率和高分辨率之间的映射

Convolutional Neural Networks

卷积神经网络的兴起主要是源于2012的imagenet 图像分类比赛。还包括了其他几个因素

1. GPU
2. ReLU激活函数的提出，使网络保持性能的同时可以收敛的更快
3. 大规模的训练数据

Deep Le