SRCNN简记

SRCNN简记

参考

• 图像超分辨-SRCNN（论文解读）

• PSNR-峰值信噪比(原理及python代码实现)

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

• $f_1{f}_3$指的是卷积核大小，$f_2$大小为1，$n_1{n}_2$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：

• PSNR-峰值信噪比(原理及python代码实现)

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。