SRCNN笔记二

1. 综述

原文：Image Super-Resolution Using Deep Convolutional Networks
这一篇与更早之前的另一篇很相似(Learning a Deep Convolutional Network for Image Super-Resolution)。不同之处是，本篇增加了以下几个重点：

• 在非线性映射层(non-linear mapping layer)引入更大的filter尺寸，并探索增加层数。
• 同时处理三个颜色通道, YCbCr或RGB。通过实验证明比单通道的性能更好。
• 更多的实验数据对比，更详细的结果分析。测试数据集从Set5, Set14扩展到BSD200
• 比较了最近发表的一些方法，依然吊打他们

2. 相关工作

传统的SR(Super-Resolution)算法可以分为四类:

• Prediction models
• Edge based methods
• Image statistical methods
• Patch based or Example-based
  其中，Example-based方法性能最好。[46]这篇综述文章进行了总结。

3. 调参

• 权值初始化，高斯分布 $mean=0,std=0.001$
• 学习率，前两层0.0001, 最后一层0.00001
• Loss函数默认使用MSE，这样可以得到更好的PSNR.当然，如果有更好的度量标准，也可以研究使用其他损失函数。
• 优化器使用随机梯度下降法
• 较好的参数配置是： c = 3 , f 1 = 9 , f 2 = 5 , f 3 = 5