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 Learning for Image Restoration

        深度学习用于图像恢复的工作目前很少。多层感知机（MLP，全连接层组成）用于去噪

原理

        1 块的提取和表示 这一步是从低分辨率图像中提取重叠块并且将其表示成一组高维向量。这些向量包含一系列的特征图，特征