![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
超分辨率重建
文章平均质量分 57
闪闪亮亮
人生就是这样,耐得住寂寞,才能守得住繁华。每一个优秀的人,都有一段沉默的时光。那一段时光,付出了很多努力,忍受孤独和寂寞,不抱怨不诉苦,日后说起时,连自己都能被感动。
展开
-
超分辨率重建之DRCN
本文与之前的SRCNN不同,采用的是递归卷积网络。对于图像复原问题的操作问题,深度学习处理的时候时不使用pooling层。如果增加网络的深度,将增加更多的参数,则会导致两个问题:一是容易过拟合,二是模型过大,难以存储和重现。因此使用递归神经网络,然而由于梯度消失/爆炸导致不易收敛。因此提出了两种解决方法:一是每层的递归层都是监督式的;二是类似于残差网络,采用skip connection 结构。具原创 2017-08-23 10:21:21 · 12352 阅读 · 4 评论 -
超分辨率重建之SRCNN
这里主要讲深度学习用在超分辨率重建上的开山之作SRCNN。超分辨率技术(Super-Resolution)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在监控设备、卫星图像和医学影像等领域都有重要的应用价值。SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。基于深度学习的SR,主要是基于单张低分辨率的重建方法,即Single Image Super-原创 2017-08-23 09:17:03 · 20600 阅读 · 8 评论 -
超分辨率重建之VDSR
VDSRSRCNN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图像原创 2017-08-23 21:43:37 · 14614 阅读 · 6 评论