超分辨率重建之VDSR

VDSR

SRCNN存在三个问题需要进行改进：1、依赖于小图像区域的内容；2、训练收敛太慢；3、网络只对于某一个比例有效。

VDSR模型主要有以下几点贡献：1、增加了感受野，在处理大图像上有优势，由SRCNN的13*13变为41*41。2、采用残差图像进行训练，收敛速度变快，因为残差图像更加稀疏，更加容易收敛（换种理解就是lr携带者低频信息，这些信息依然被训练到hr图像，然而hr图像和lr图像的低频信息相近，这部分花费了大量时间进行训练）。3、考虑多个尺度，一个卷积网络可以处理多尺度问题。

网络结构如下图所示：

训练的策略：1、才用残差的方式进行训练，避免训练过长的时间。2、使用大的学习进行训练。3、自适应梯度裁剪，将梯度限制在某一个范围，本文采用自适应梯度方法，将梯度限制在 ，其中是学习率。4、多尺度，多种尺度样本一起训练可以提高大尺度的准确率。

对于边界问题，由于卷积的操作导致图像变小的问题，本文作者提出一个新的策略，就是每次卷积后，图像的size变小，但是，在下一次卷积前，对图像进行补0操作，恢复到原来大小，这样不仅解决了网络深度的问题，同时，实验证明对边界像素的预测结果也得到了提升。

 

参考：

论文全名：Accurate Image Super-Resolution Using Very Deep Convolutional Networks

下载地址：https://pan.baidu.com/s/1ge2pCWF

code：https://github.com/huangzehao/caffe-vdsr

vdsr训练集和测试集