SRCNN简记
文章目录
参考
传统超分超分辩率——example-based strategy
- 密集+重叠地采集patch,进行预处理
- 编码Low-Resolution Dict,用于重建High-Resolution patches
- 聚合(加权平均)得到高分辨率的图像
SRCNN
- 与example-based有本质上的不同——没有Low-High Dictionaries
- 作者是把这些过程统统抽象成卷积,然后用三层卷积替代,这里的三层卷积(Conv+ReLU)分别代表着三个阶段(对应传统学习中的三个阶段),就如这张图所示
- f 1 f 3 f_1f_3 f1f3指的是卷积核大小, f 2 f_2 f2大小为1, n 1 n 2 n_1n_2 n1n2指的是channel维度,这张图分左中右分别对应下面三个步骤:
Patch extraction and representation
- 卷积提取特征,对应Sparse-Coding-Based Methods中的将图像patch映射到低分辨率字典中(注意这里的patch大小对应卷积核的大小:
This is equivalent to convolving the image by a set of filters, each of which is a basis
)
Non-linear mapping
-
将低分辨率的特征映射为高分辨率特征,对应Sparse-Coding-Based Methods中Low-Resolution Dict映射到High-Resolution patches
Reconstruction
- 根据高分辨率特征进行图像重建,对应Sparse-Coding-Based Methods中基于重叠的高分辨率patch的重建(加权平均)
LOSS
- 用的MSE
实验部分
- 主要是讨论了卷积核的大小、数量、CNN的层数对最终模型的影响。
- 然后后面还有对Color Channel的讨论
指标说明:
Filter number
Filter size
Number of layers
Experiments on Color Channels
- 根据以下结果可以知道SRCNN再YCbCr颜色通道的时候更偏向于Y通道,Cb、Cr通道几乎无助于提高性能。