基于tensorflow框架训练超像素subpixel模型

       Subpixel算法自身是一种插值算法，与常规的双线性或cubic插值算法相比，提升了图像的分辨率和插值质量（SNR），但达不到人脸解析的效果。为了达成该效果，可选取人脸数据集（如celebA），训练阶段配合DCGAN（深度卷积生成对抗网络）算法，对生成器部分做了二次优化，训练完成后取GAN中的生成网络部分做部署。

1. 网络框架

 在部署和推理阶段的网络结构如下，网络命名为ESPCN（efficient subpixel convolutional network）。

                                                               ESPCN 网络结构

                                                               ESPCN 参数部署（batch_size=64为例）

Subpixel部署阶段的网络架构主要由3层反卷积、lrelu激活以及自定义的像素移位层（PS）构成的。

值得注意的是PS输入feature maps是48通道32*32大小的，48=3*4^2，其中r=4，代表放大倍数（upscaling factor），PS层进行像素重组，输出图像大小扩增为4倍，为(48*r)*(48*r)=128*128，输出通道数为48/r^2=48/16=3

2. 计算复杂度

（1）空间复杂度

网络参数规模如下（batch_size=64为例，部署阶段cnn空间复杂度与batch_size无关）：

layer name	滤波器超参数	滤波器参数规格 （kernel_size_h*kernel_size_w*output_channel*input_channel）	输入feature map规格 (batch_size*h*w*channel)	输出feature map规格 (batch_size*h*w*channel)
g_h0_deconv	kernel_size：1 stride：1 padding：0	1*1*64*3	64*32*32*3	64*32*32*64
<