深度学习在超分辨率重建SR领域的发展过程从SRCNN(ECCV14)-CameraSR(CVPR19)

图像超分辨率重建之路的学习与经验总结。
**本文由四部分组成:(1)帮助新手快速上手的网址和工具;(2)从始至今的SR领域优秀论文整理;(3)常用的代码;(4)SR领域期刊和会议整理 **
单一图像超分辨率重建(SISR )是典型的计算机视觉问题,它的目标是从低分辨率图像中恢复出高分辨率图像。这是一个很困难的事情,因为一副低分辨图像对应多张高分辨图像, (an infinite number of HR images can get the same LR image by downsampling.)要让网络结构准确的恢复出其对应的高分辨率图片是很困难的。
目前已有大量的SISR方法被提出,包括基于插值的方法(interpolation-based methods),基于重构的方法(reconstruction-based methods)和基于学习的方法( example-based methods)。近几年,受计算机视觉任务的启发,DL在SR领域也取得了重大突破,硕果累累。从 2014年Dong等人率先提出基于卷积神经网络的超分辨率重建方法,即SRCNN,接着就出现了各种各样的基于神经网络的超分辨率重建算法。

帮助新手快速上路的网址和工具

超分科研上手常用工具

从2014的SRCNN到2019的CameraSR优秀论文集结

  • SRCNN (ECCV14)
    Depth: 3
    - 这是超分领域第一篇使用CNN的文章;
    - end-to-end的模式,image在送入网络之前就使用“双三次插值”对图片进行了上采样,让图片变大到目标大小。
    - 这样做的优点:图片在送入网络之前进行上采样,放大了。这样网络可学习的信息增加了;
    - 缺点:在上采样的过程中可能会引入噪声,这样会影响网络的性能

  • 论文SRCNN PDF

  • code(Learning a Deep Convolutional Network for Image Super-Resolution, ECCV2014)
    在这里插入图片描述

  • FSRCNN (ECCV16 )
    Depth: 8
    (1):在SRCNN的基础上进行了改进,得到了一个更加快速的参数更少的模型;网络中使用1×1卷积进行压缩,后期再使用1*1的卷积对网络进行扩增,此外还使用2个3×3的卷积代替SRCNN中的5×5的卷积,以上操作大大降低了网络参数;
    (2):网络中使用反卷积对图像进行上采样;

  • 论文FSRCNN PDF

  • 项目链接(Accelerating the Super-Resolution Convolutional Neural Network, ECCV2016)

在这里插入图片描述

  • 8
    点赞
  • 66
    收藏
    觉得还不错? 一键收藏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值