（A two-channel convolutional neural network for imagesuper-resolution）论文阅读笔记

摘要：作者提出了一个双通道的卷积神经网络，用于单图像超分辨重建。它包含浅通道和深通道。大部分基于卷积神经网络的超分辨重建都是浅通道，但是这样很容易丢失细节信息。而且那些方法通常会预处理，比如双三次插值去将低分辨图像扩大到高分辨率图像大小，这样会引入噪声。第一，作者提出的方法包含两个通道。浅通道主要恢复图像的轮廓。相反，深通道主要用来提取细节纹理信息。第二，作者提出的方法直接学习端到端的映射，不需要手工处理。反卷积被嵌入到两条通道上，可以使训练更加有效，减少SR计算的复杂性。最后，在最后的重建阶段，深通道采用多尺度的方式，这样可以同时提取短和长尺度的纹理信息。作者的模型在不同的公开的数据集（包括图像和视频）进行评估。实验结果表明，作者提出的方法在精度和视觉表现上超过已经存在的方法。

引言

SISR目的是从观测的低分辨率图像恢复高分辨图像。深度学习是机器学习中的一个新的领域，目的是模仿人脑的机制搭建一个网络表示数据，例如图像、文本。卷积神经网络是有监督学习的模型。近年来，CNN在各种计算机视觉任务中表现出了良好的效果比如图像分类，目标检测，语义分割。SR不适定的性质，在大尺度因子特别明显。

传统的SISR是基于插值。基于重建的算法是最广泛研究的，它可以融合各种先验知识。

基于CNN的方法为SR问题提供了新的方向和灵感。Dong et al.提出的SRCNN，因为