题目:使用更深的卷积网络实现精准的图像超分辨率 CVPR 2016 Oral 收录
摘要:
我们提出了一种高精度的单图像超分辨方法,受VGG-net的体积网络来进行图像分类启发,我们的方法使用了一个非常深的卷积网络。我们发现,增加我们的网络深度表明在准确性方面有显著提高。我们最终的模型使用了20个权重层。通过在深度网络结构中多次串联小滤波器,有效地利用了大图像区域的上下文信息。然而,对于非常深的网络,收敛速度成为训练中的一个关键问题。我们提出一个简单而有效的训练程序。我们只学习残差,并使用非常高的学习率(比SRCNN[6]高10 4倍),可以通过自适应梯度剪裁。我们提出的方法比现有的在精度上有更好的表现,并且我们的结果在视觉上的改进是显而易见的。
代码地址:https://github.com/Jongchan/tensorflow-vdsr
代码地址:https://github.com/twtygqyy/pytorch-vdsr
优点:1.加深了网络结构;2.采用了残差学习;3.每次卷积前都对图像进行补0操作,这样保证了所有的特征图和最终的输出图像在尺寸上都保持一致,解决了图像通过逐步卷积会越来越小的问题;4.将不同倍数的图像混合在一起训练,这样训练出来的一个模型就可以解决不同倍数的超分辨率问题。
缺点: