ESPCN：亚像素卷积神经网络

极术社区

已于 2024-10-08 10:32:13 修改

阅读量168

点赞数 6

分类专栏：开发板测评文章标签：计算机视觉深度学习

于 2024-10-08 10:30:43 首次发布

本文链接：https://blog.csdn.net/weixin_47569031/article/details/142753346

版权

开发板测评专栏收录该内容

150 篇文章 2 订阅

订阅专栏

什么是亚像素

亚像素(Sub Pixel)：

面阵摄像机的成像面以像素为最小单位，像素中心之间的距离有几个至十几个微米不等。为了最大限度利用图像信息来提高分辨率，有人提出了亚像素概念。意思是说，在两个物理像素之间还有像素，称之为亚像素，它完全是通过计算方法得出来的。

例如某CMOS摄像芯片，其像素间距为5.2微米。摄像机拍摄时，将物理世界中连续的图像进行了离散化处理。到成像面上每一个像素点只代表其附近的颜色。

两个像素之间有5.2微米的距离，在宏观上可以看作是连在一起的。但是在微观上，它们之间还有无限的更小的东西存在。这个更小的东西我们称它为“亚像素”。

1. CNN 方法与 ESPCN 的区别

基于卷积神经网络的方法，如 SRCNN、FSRCNN 和 VDSR，有一些缺点。首先，CNN 方法需要使用插值方法对 LR 图像进行上采样，例如双三次插值。其次，它增加了网络第一层之前或第一层的分辨率。换句话说，CNN方法将卷积神经网络直接应用于上采样的LR图像，这将增加计算复杂度和内存成本。

为了解决这些问题，ESPCN 被提出来在 CNN 网络中添加一个高效的亚像素卷积层。ESPCN 提高了网络末端的分辨率。在 ESPCN 中，放大步骤由最后一层处理，这意味着较小尺寸的 LR 图像直接馈送到网络。因此，无需使用插值方法。与馈入网络之前的插值滤波器升级相比，网络能够学习更好的 LR 到 HR 映射。由于输入图像尺寸减小，可以使用较小的滤波器尺寸来提取特征。降低了计算复杂度和内存成本，从而大大提高了效率。这就是为什么 ESPCN 成为实时超分辨率高清视频的理想选择。

2. 网络结构

在这里插入图片描述
图 2：ESPCN 网络结构

基本上，SR 模型假设输入数据是 LR 模糊且有噪声的图像。可以通过对来自数据集的 HR 图像执行下采样过程来创建 LR 图像。输出将是具有指定放大因子的重建 SR 图像。

ESPCN的网络结构如图2所示。假设网络有L层，前L-1层是卷积层，获取输入LR图像的特征图。最后一层是有效的子像素卷积层，用于恢复具有指定放大因子的输出图像大小。

通常，网络有3层，如图3所示：

形状为 [B, C, N, N] 的输入图像
第一层：具有 64 个过滤器和 5×5 内核大小的卷积层，然后是一个 tanh 激活层。
第二层：具有 32 个过滤器和 3×3 内核大小的卷积层，后面是一个 tanh 激活层。
第三层：卷积层，输出通道数固定为C×r×r，核大小为3×3。
应用子像素混洗函数，使输出 SR 图像具有 [B, C, r × N, r × N] 的形状，后跟一个 sigmoid 激活层。

图 3：ESPCN 模型

3. 亚像素卷积

论文作者提出的最重要的概念之一是亚像素卷积，也称为像素洗牌。在了解亚像素卷积之前，有必要先熟悉一下亚像素的概念。在相机成像系统中，通过一种离散化处理方法对相机获取的图像数据进行了处理。由于光传感器的限制，图像受限于原始像素分辨率，换句话说，图像上的每个像素代表现实世界中一小块颜色区域。在我们看到的数字图像中，像素与像素是连在一起的，而在微观世界中，两个物理像素之间存在着许多微小的像素。那些微小的像素称为子像素。
在这里插入图片描述
图 4：子像素的可视化

如图4所示，每个被四个红色小方块包围的正方形区域是相机成像平面中的像素，黑色的点是子像素。可以根据相邻像素之间的插值来调整子像素的精度。这样就可以通过亚像素插值实现小方块到大方块的映射。

基于这一理论，可以在SR模型中使用亚像素卷积方法来获得高分辨率图像。在一般的反卷积操作中，我们用零填充图像然后进行卷积，这可能对结果不利。而在网络的最后一层进行pixel shuffle恢复LR图像不需要padding操作。如图 5 所示，将多通道特征图上的每个像素组合成输出图像中的一个 r × r 方形区域。因此，特征图上的每个像素相当于生成的输出图像上的子像素。
在这里插入图片描述
图5：pixel shuffle的操作

亚像素卷积涉及两个基本过程：一般的卷积运算，然后是像素的重新排列。最后一层的输出通道必须是 C × r × r ，这样总像素数与要得到的 HR 图像一致。在 ESPCN 网络中，插值方法隐含在卷积层中，可以由网络自动学习。由于卷积运算是在较小尺寸的 LR 图像上实现的，因此效率要高得多。

4.损失函数

根据该论文，输入 LR 图像是通过对数据集中的 HR 图像进行下采样生成的。在训练过程中，原始 HR 图像将是 ground truth 数据。均方误差 (MSE) 用于衡量生成的 SR 图像与地面真值 HR 图像之间的差异。网络的像素级 MSE 损失函数为：
在这里插入图片描述
图 6：ESPCN 的损失函数