Enhanced Deep Residual Networks for Single Image Super-Resolution

最新推荐文章于 2021-08-31 21:21:59 发布

imperfect00

最新推荐文章于 2021-08-31 21:21:59 发布

阅读量820

点赞数

分类专栏：深度学习图像处理

本文链接：https://blog.csdn.net/u011961856/article/details/78074288

版权

本文介绍了通过增强深度残差网络实现单图像超分辨率的方法。网络架构包括3x3卷积层、多个残差块和上采样块。每个残差块有助于保留信息，上采样块用于恢复图像细节。数据预处理涉及将图像裁剪为固定大小，并生成目标图像及源图像。训练过程中，输入图像经过网络处理，输出图像与地面真实图像进行比较。完整代码可在GitHub上找到。

摘要由CSDN通过智能技术生成

网络结构为,conv(3,3)+residual block(N个residual block层),+conv(3,3)+upsample block.

residual block:

def resBlock(x,channels=64,kernel_size=[3,3],scale=1):
   tmp = slim.conv2d(x,channels,kernel_size,activation_fn=None)
   tmp = tf.nn.relu(tmp)
   tmp = slim.conv2d(tmp,channels,kernel_size,activation_fn=None)
   tmp *= scale
   return x + tmp

upsample block:

def upsample(x,scale=2,features=64,activation=tf.nn.relu):
   assert scale in [2,3,4]
   x = slim.conv2d(x,features,[3,3],activation_fn=activation)
   if scale == 2:
      ps_features = 3*(sca