SRCNN论文笔记

最新推荐文章于 2023-06-18 20:27:43 发布
最新推荐文章于 2023-06-18 20:27:43 发布
阅读量1.3k 收藏 11
点赞数
分类专栏： 超分辨率重建 深度学习 文章标签： CVPR论文学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40731240/article/details/104064354
版权

目录

一、eccv 2014 deepresulotion

二、内容

三、数据处理

Patch extraction and representation

Non-linear mapping

Reconstruction

本文网络架构

传统方法架构

四、损失函数

五、实验细节

 

一、eccv 2014 deepresulotion

2014年 eccv的一篇超分辨率图像重建的论文Learning a Deep Convolutional Network for Image Super-Resolution。

毕业论文有想用到就开始了这篇论文的研读和复现。

论文链接

 

二、内容

  1. 摘要Abstract: 采用端到端的学习方法，直接学习低分辨率与高分辨率的图片的映射关系，网络架构采用了CNN，仅仅用了三层卷积层，所以所含权值参数比较少，并且转换速度亦不俗。

  2. 作者简要给出了Bicubic(双立方插值)，SC(sparse-coding-based method)和SRCNN的重建PSNR和效果对比。

Related work 就在此略，。都是些引用论文和别的论文成果对比。

三、数据处理

论文中提到SC方法，貌似这个方法各部分都是独立的，还要有些数据预处理。论文所涉及的图片预处理仅有一项，长话短说就是取得额定大小的图片，对其使用双立方插值(Bicubic interpolation)，得到低分辨率的图片Y，将高分辨率图片X作为基准(ground truth)，输入网络得到处理过后的图片F(X)。需要注意的是Y和X虽然有相同的大小，但Y仍被称为低分辨率图片。其实很好理解，插值就是猜像素，虽然一样大，但是分辨率会下降（模糊）。映射F可以被抽象成一下三个步骤：

  • Patch extraction and representation(块抽取&&视作)：实际就是卷积提取特征值，将这些特征值视作高维向量，向量维度和特征值的维度一致
  • Non-linear mapping（非线性映射）：上面的高维向量通过映射得另外的高维向量，每组映射的向量都是高分辨率块的抽象表现。这些向量又是一组特征值
  • Reconstruction:(重建)：用上面所得到向量生成近可能接近所期望能接近原图的图像。

Patch extraction and representation

论文给出了第一层卷积的表达式：F_1(Y)=max(0,W_1*Y+B_1)。这里W_1是卷积核，B_1是偏差(Bias)。

W_1(c * f_1*f_1*num) 从左至右依次是通道数、尺寸、尺寸、核数。

B_1是n_1维的向量(Y_H_/_W-f_1+1)*(Y_H_/_W-f_1+1)*n_1。

最后用Relu激活函数,输出维度(Y_H_/_W-f_1+1)*(Y_H_/_W-f_1+1)*n_1。

Non-linear mapping

同样给出公式：F_2 (Y)=max(0,W_2*F_1(Y)+B_2)。

W_2(n_1*1*1*n_2)

B_2((F1_H_/_W-f_2+1)*(F1_H_/_W-f_2+1)*n_1)

Reconstruction

传统方法是预测邻近的patch重叠的部分，将其平均化产生最终完整的图像。这一过程可以视作用于取得特征值的预定义卷积核。因此作者受此启发。给出公式：F(Y)=W_3*F_2(Y)+B_3。

W_3(n_2*f_2*f_2*c)

B_3((F2_H_/_W-f_3+1)*(F2_H_/_W-f_3+1)*c) c为channel数。

本文网络架构

传统方法架构

四、损失函数

有关参数\theta =\left \{ W_1,W_2,W_3,B_1,B_2,B_3 \right \}，重建图像F(Y;\theta ),基准图像X_i和其对应图像（low-resolution）Y_i。论文使用均方差MSE（Mean Square Error）作为损失函数：L(\theta )=\frac{1}{n}\sum_{i=1}^{n}\left \| F(Y_i;\theta )-X_i \right \|^2

五、实验细节

数据集：起初用了91张图片用作训练集，*

对比：the SC (sparse coding) method of Yang et al.

the K-SVD-based method，NE+LLE (neighbour embedding + locally linear embedding)，

NE+NNLS (neighbour embedding + non-negative least squares)，

the ANR (Anchored Neighbourhood Regression) method。

步骤细节：f1 = 9, f3 = 5, n1 = 64  and n2 = 32

训练集图片随机裁剪32X32的图像作为X_i，Y_i通过对X_i添加高斯噪声，再双立方插值得到。最后91张图片大概提供给了24800张子图。采用14步长从原图裁剪。训练（800，000，000次反向传播）大概三天，GPU为GTX770。

为了和ANR比较，就只对YCrBr空间的流明通道(luminance channel)训练了。另外两个通道进行双立方插值只为了显示图片，不用于训练/测试。但论文的方法是可以直接用于RGB三通道训练的。

为了避免边缘效应，训练中所有卷积层都是不 padding 的。神经网络最终输出20X20的output，而损失函数计算的是X_i中心的20X20部分与output的惩罚。在测试时为了能够适应任意尺寸的图片，每层都用padding，为了解决边缘效应，每层输出之前的像素值需要被归一化（用图像最大表示的像素值，取决于图像位深）。

权值初始化用标准差为0.001的正态分布，偏差为0。前两层学习率为10^-4,最后一层为10^-5。

 

Always_Blue_
关注
  • 0
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Learning a Deep Convolutional Network for Image Super-Resolution
u013049912的博客
09-16 1986
Abstract 我们提出了一种单图像超分辨率（SR）的深度学习方法。 我们的方法直接学习低/高分辨率图像之间的端到端映射。 该映射表示为深度卷积神经网络（CNN），它将低分辨率图像作为输入并输出高分辨率图像。 我们进一步表明，传统的基于稀疏编码的SR方法也可以被视为深度卷积网络。但与分别处理每个组件的传统方法不同，我们的方法共同优化所有层。 我们的深CNN具有轻质结构，同时展示了最先进的修复质...
【深度学习】关于SRCNN的输入和输出的一些细节
weixin_43728604的博客
12-10 2806
研究了近一周的SRCNN论文，遇到了N多坑人的问题，这东西虽然结构特别简单，但是论文中却存在着许多细节，看了好多博客感觉其他的博主对这些细节理解的都不太准确，当然我也不敢保证我的理解十分准确，仅仅依靠原文给大家做一些细节分析，想看论文原文的点这里：SRCNN 细节一：训练时输入和输出的尺寸 上面这个图是我截取的原文，从这里可以看出，在训练阶段，实际上输入的尺寸是3232，这个是训练扩大两倍进行S...
SRCNN 读书笔记
dididi的博客
06-21 592
文献名称：Dong C , Loy C C , He K , et al. Learning a Deep Convolutional Network for Image Super-Resolution[J]. 2014. 文章内容： 本篇文章讲述的是深度学习在图像超分辨率重建问题的开山之作SRCNN(Super-Resolution Convolutional Neural Network)。香港中文大学Dong等将卷积神经网络应用于单张图像超分辨率重建上。 上图为SRCNN算法的框架，SRCNN将深
SRCNN
qq_45033722的博客
01-10 4070
1. introduction 考虑了一个卷积神经网络，它可以直接学习低分辨率和高分辨率图像之间的端到端映射。我们的方法与现有的基于外部实例的外部方法有根本的不同，因为我们的方法没有明确地学习字典[41]、[49]、[50]或流形[2]、[4]。这些都是通过隐藏层隐式地实现的。此外，斑块的提取和聚合也被表示为卷积层，因此也参与了优化。在我们的方法中，整个SR管道完全通过学习获得，很少进行预/后处理。 所提出的模型被命名为超分辨率卷积神经网络(SRCNN)1。所提出的SRCNN有几个吸引人的特性。首先，它的结
超分辨率重建开山之作——SRCNN
BigData私房菜
10-08 2万+
论文及代码地址：http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html) 基于卷积神经网络的影像超分辨率重建 摘要： 我们提出了一种基于深度学习的单影像超分辨率重建方法。我们直接以端对端的方式学习高...
SRCNN论文代码
11-24
《基于深度卷积网络的图像超分辨率SRCNN详解与代码实践》 图像超分辨率（Super-Resolution）技术是计算机视觉领域的重要研究课题，其目的是在保持原有图像内容的基础上，通过算法提升图像的分辨率，使细节更加清晰...
SRCNN论文测试代码
11-24
SRCNN（Super-Resolution Convolutional Neural Network）是深度学习在超分辨率领域的早期突破性工作，由dong等人在2014年提出。它利用卷积神经网络（Convolutional Neural Network）来学习LR与HR图像之间的映射关系...
SRCNN翻译学习并改进.zip
07-01
本压缩包包含的资源主要涉及SRCNN（即三阶卷积神经网络，Three-Layer Convolutional Neural Network）的研究，包括SRCNN的论文翻译以及基于该模型的训练方法改进。SRCNN是图像超分辨率重建领域的一个经典模型，由...
SRCNN-pytorch-master.zip
06-20
《SRCNN-pytorch-master.zip：超分辨率卷积神经网络的论文复现解析》 超分辨率（Super-Resolution）是图像处理领域中的一个重要课题，它旨在通过算法将低分辨率（Low-Resolution，LR）图像提升至高分辨率（High-...
SRCNN资源.rar
06-22
超分辨率重建（Super-Resolution Convolutional Neural Network, 简称SRCNN）是一种基于深度学习的图像处理技术，主要用于提升图像的分辨率。这个名为"SRCNN资源.rar"的压缩包文件显然包含了与SRCNN相关的学习资料，...
图像超分辨率重建（SRCNN算法）
11-26
基于MATLAB的图像超分辨率重建程序，使用的是训练后的SRCNN方法，自带训练库。 (降积分)充字数........
基于SRCNN卷积神经网络的超分辨率重建算法仿真
FPGA/MATLAB学习教程/源码/项目合作开发
06-18 2010
其中，$m_t$和$v_t$分别表示梯度的一阶矩和二阶矩估计，$\beta_1$和$\beta_2$分别表示一阶矩和二阶矩的衰减率，$g_t$表示当前的梯度，$\hat{m_{t+1}}$和$\hat{v_{t+1}}$分别表示偏差校正后的一阶矩和二阶矩估计，$\eta$表示学习率，$\epsilon$表示一个很小的常数，用于防止分母为零。其中，$w_i$表示当前的参数，$\eta$表示学习率，$\frac{\partial J(w_i)}{\partial w_i}$表示损失函数对参数的梯度。
SRCNN简记
椰子奶糖的博客
01-10 1654
SRCNN简记 文章目录SRCNN简记参考传统超分超分辩率——example-based strategySRCNNPatch extraction and representationNon-linear mappingReconstructionLOSS实验部分指标说明：Filter numberFilter sizeNumber of layersExperiments on Color Channels 参考 图像超分辨-SRCNN（论文解读） PSNR-峰值信噪比(原理及python代码实
Pytorch搭建基于SRCNN图像超分辨率重建模型及论文总结
如何心安理得的在老板眼皮下摸鱼
03-24 2771
SRCNN（Super-Resolution Convolutional Neural Network） 论文出处：Learning a Deep Convolutional Network for Image Super-Resolution 图像超分辨率重建，简言之能将一张低分辨率的图片，重建生成一张高分辨率的图片，该技术在遥感图像监测，医疗领域，车牌识别，人脸识别等多个领域起着很大的作用。 SRCNN是首度将深度学习用于超分辨率重建领域的网络模型，之后的网络大都以此为基础进行结构上的改进调优。
超分辨率重构之SRCNN整理总结(四)
weixin_41297324的博客
01-19 3335
承接超分辨率重构之SRCNN整理总结(三)的超分重建结果指标之后，本篇解读了基于神经网络的超分重建最简单的网络结构SRCNN，并随后follow了一些dalao的tensorflow版本的网络结构经代码改些许动用GPU训练模型且测试成功。 SRCNN（Super-Resolution Convolutional Neural Network） 论文下载：(Learning ...
超分算法小合集之SRCNN、DCSCN、SRDenseNet、SRGAN
qq_45122568的博客
03-20 8457
阅读指引SRCNNDCSCNSRDenseNetSRGAN 论文快速指引： SRCNN：Learning a Deep Convolutional Network for Image Super-Resolution DCSCN：Fast and Accurate Image Super Resolution by Deep CNN with Skip Connection and Network in Network SRDenseNet：Image Super-Resolution Using Dens
从SRCNN到EDSR，总结深度学习端到端超分辨率方法发展历程
热门推荐
aBlueMouse的博客
12-04 5万+
超分辨率技术（Super-Resolution, SR）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。 本文针对端到端的基于深度学习的单张图像超分辨率方法(Single Image Super-Resolution, SISR)，总结一下从SRCNN到EDSR的发展历程。(排列顺序大致按论文中给出的4倍上采样结果的峰值信噪比(Pe
图像超分辨率重建之SRCNN
Autism_的博客
02-28 5万+
新版本请访问简书链接：https://www.jianshu.com/p/dfe85a3c2096 图像超分辨率重建：指通过低分辨率图像或图像序列恢复出高分辨率图像。高分辨率图像意味着图像具有更多的细节信息、更细腻的画质,，这些细节在高清电视、医学成像、遥感卫星成像等领域有着重要的应用价值。 Super-Resolution Convolutional Neural Network：本...
pytorch srcnn
最新发布
12-20
PyTorch SRCNN（Super-Resolution Convolutional Neural Network）是一种用于图像超分辨率重建的深度学习模型。它能够将低分辨率的图像转换成高分辨率的图像，从而提高图像的清晰度和细节。SRCNN模型采用了卷积神经网络（CNN）的架构，通过多层的卷积和池化操作来学习图像特征，并将其用于重建高分辨率图像。 PyTorch SRCNN模型的实现使用了PyTorch深度学习框架，这使得模型的训练和测试变得更加方便和高效。通过PyTorch的灵活性和易用性，用户可以很容易地构建、训练和调整SRCNN模型，以适应不同的图像超分辨率重建任务。 与传统的插值方法相比，PyTorch SRCNN能够在图像超分辨率重建任务中取得更好的效果。这是因为SRCNN能够从大量的真实图像数据中学习到图像的特征和规律，从而能够更好地还原图像的细节和结构。而且，PyTorch SRCNN模型还可以通过调整网络的深度和宽度，以及优化训练策略来进一步提高模型的性能。 总之，PyTorch SRCNN是一种强大的图像超分辨率重建模型，通过PyTorch深度学习框架的支持，用户可以更加轻松地应用该模型进行图像处理和增强。它在图像超分辨率重建领域有着广泛的应用前景，能够为用户提供更加清晰和精细的图像体验。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值