![c0917367fda76d2a0085d496834a6bc9.png](https://i-blog.csdnimg.cn/blog_migrate/2ba16ef2b2a066fcd2251f01f38609d7.jpeg)
萌新GitHub项目地址:DRNFJDSR
本文结构
- 简单扫盲
- 什么是去马赛克
- 什么是超分辨率
- 《Deep Residual Network for Joint Demosaicing and Super-Resolution》论文简介
- 论文创新点
- 论文模型结构
- 训练数据
- 论文模型效果
- 论文复现
- Pytorch代码
- Model
- DataSet
- Train
- 需要注意的细节
- 复现结果
- 数值结果
- 图片展示
- Pytorch代码
一、简单扫盲
1、什么是去马赛克
首先,去马赛克嘛,大家都知道:
![007e95b9c66f4c2f243484ff631f1135.png](https://i-blog.csdnimg.cn/blog_migrate/cd551f349901f27ea306b40b75af2ab1.jpeg)
当然不是上图这样的,各位读者姥爷别想歪了,此马赛克非彼马赛克,这个去马赛克是数码相机成像中的一个关键性的环节。要说明白这个得从数码相机的感光元件说起。
我们知道,数码图像是由像素排列成的,而一个像素点是由RGB即红、绿、蓝三种颜色混合而成的,而数码相机的感光元件只能感受到光照的强度,要想在一个点上同时采集红、绿、蓝三种颜色的光照强度,在结构和制作成本上会是一场噩梦。这个问题该如何解决呢?
这个时候布莱斯.拜尔拿着自己发明的Bayer阵列振臂疾呼:弟弟们,大哥来救你们了!
https:// zh.wikipedia.org/wiki/% E6%8B%9C%E7%88%BE%E6%BF%BE%E8%89%B2%E9%8F%A1
拜耳阵列(拜耳马赛克)简介 - 风之盔的博客 - CSDN博客
Bayer阵列的思路很简单,既然在一个点上采三种光很难,那就只采一种光呗,何必为难感光元件?既然我们又必须采集到三种不同颜色的光,那么就在感光的排列上做做文章呗:
![9022cd5b583dbd5b9a2003c19e2b3ace.png](https://i-blog.csdnimg.cn/blog_migrate/2a465ad1712a21e51cb371072a57812b.jpeg)
![871ad514fe38d352d260bba38b378ddc.png](https://i-blog.csdnimg.cn/blog_migrate/8ac45c80258c865d0f3d3bce13d7058c.jpeg)
采集到每个点只能采集到三种颜色的光中的一种,其它两种颜色的光则可以向邻居借得到,而这“借”的过程,我们就称之为“去马赛克”:
![bbd1afae992ad4bc9163ef53a57e7b33.png](https://i-blog.csdnimg.cn/blog_migrate/2b3973db8522aeeb2c757cc2590c8a20.jpeg)
![aa4fa13517739b1dc05aa9ff746cfbf3.png](https://i-blog.csdnimg.cn/blog_migrate/a7fe1f48b489cad1ea507710485ec9fc.jpeg)
![a043bef57ac76bd4bdbbe19ca9e6cbb5.png](https://i-blog.csdnimg.cn/blog_migrate/d7aa28f6385b86eb51fcacd2cf7abbd3.jpeg)
看了这上面的图,知道为啥叫“去马赛克”了吗?
相关的算法有FlexISP、ADMM、DemosaicNet等。
Deep Demosaicking
2、什么是超分辨率?
简而言之,就是把低分辨率的图像变成高分辨率的:
![789302efa73c03fca386459329657cf9.png](https://i-blog.csdnimg.cn/blog_migrate/7a8d8830c41608aace0c82b2cb330e15.jpeg)
深度学习的超分辨率方法已有很多,如SRCNN、FSRCNN、ESPCN、VDSR等。
桂花糖:从SRCNN到EDSR,总结深度学习端到端超分辨率方法发展历程
二、《Deep Residual Network for Joint Demosaicing and Super-Resolution》论文简介
下载地址:Deep Residual Network for Joint Demosaicing and Super-Resolution
1、论文创新点
该论文的最大创新点和其标题一样,是第一次把去马赛克和超分辨率结合在一起做,直接从单通道的RAW图像中挖掘尽可能多的信息,直接生成超分辨率的三通道图片。相对于先做去马赛克,再做超分辨率,这样做的好处在于一可避免两个阶段的错误积累,产生质量更高的图片,二可减少运算量,减少计算时间。
2、论文模型结构
模型分为三个阶段:
a、提取颜色:用4x4的卷积,达到在Bayer图像中提取每个点真实颜色的目的
b、非线性映射:借鉴残差网络的模块构成深层网络提取特征
c、图像重构:借鉴ESPCN里的sub-pixel结构,将通道数减少4倍从而使得图像的高和宽分别提升两倍,达到超分辨率的目的