深度学习用于图像超分辨率重建的经典paper汇总(3)

三.Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network(ESPCN)

0.亮点：直接在低分辨率图上进行处理，比之前的方法效果更好速度更快。

1.目前做SR的方法一般分为基于统计的，基于边缘，基于块的，基于稀疏编码还有基于网络的。以前基于网络的方法有些不足。一方面，处理卷积操作时，一开始就扩展了低分辨率图，计算时间将增加；另一方面，从低分辨率空间到高分辨率空间的转化基于传统插值（interpolation）方法，这不会给解决病态重建问题带来附加信息。

3.模型

输入层低分辨率图片(H X W X C),输出层是高分辨率图(rH X rW X C).

1)先做L-1层特征映射（卷积）。

2）最后一层，网络通过像素洗牌（pixel shuffle）实现高分辨率输出。

4.代价函数

5.评价指标PSNR

6.图片数据集 the Timofte，set5,set14,BSD300,BSD500,ImageNet.视频数据集Xiph，Ultra Video Group

7.论文链接：https://arxiv.org/abs/1609.05158