基于CNN的SR论文分享

高启强668

已于 2022-03-23 19:35:16 修改

阅读量4.2k

点赞数 1

分类专栏：超分SR 文章标签：深度学习神经网络

于 2022-03-06 20:43:41 首次发布

本文链接：https://blog.csdn.net/zhognsc08/article/details/123316763

版权

超分SR 专栏收录该内容

6 篇文章 5 订阅

订阅专栏

一、SRCNN

Learning a Deep Convolutional Network for Image Super-Resolution-ECCV2014

最早使用CNN方法端到端的SR方法，使用一个前处理，bicubic插值到目标分辨率，特征提取，特征映射和重构三部分组成，其中特征映射使用的1x1的卷积，且只用1层，特征提取也是用1层，9x9的卷积核，重构也是1层，5x5的卷积核，相当于是三层卷积网络，是一个很轻量级网络，训练loss使用l2 loss。

在set5和set14的测试集上的客观指标，比其他传统算法都要高，而且也不怎么耗时，主要是网络比较小，不过应该比较占用内存。这篇论文很大的价值是开启了基于CNN的SR方法，之后很多论文都使用CNN的方法。

二、FSRCNN

Accelerating the Super-Resolution Convolutional Neural Network-ECCV2016

和SRCNN是相同作者： 1、网络输入是低分辨率图像，没有做bicubic插值，减少计算量，改成一个通道进网络，5x5的核，输出d层 2、非线性mapping分成三部分，shrinking(1x1的核，d变成s), mapping(m个3x3), expanding(1x1的核，s变成d)，沙漏模型，两端厚，中间薄，不是Unet那种，可以进一步减少计算量 3、用反卷积实现上采样，使用9x9的核，d变成1，训练不同尺度的SR时，可以只训练反卷积部分，快速训练 4、用PReLU替换ReLU 整体上，和SRCNN相比，卷积核都变成更小了，但网络更深了。

用表示网络大小

在set5上的效果对比，比原来的SRCNN能快41X，效果提升0.2个dB 不同参数下，效果对比，table2

的效果

三、EDSR

Enhanced Deep Residual Networks for Single Image Super-Resolution-CVPR2017

EDSR/MDSR，NTIRE2017 Super-Resolution 挑战冠军网络比较简单，就是使用很多个B个ResBlock，ResBlock中去掉了BN和最后的ReLU，每个卷积有F个特征层，采用shuffle进行上采样。 baseline中采用 B=16，F=64，不使用residual scaling(就是把resBlock前的结果加到经过所有resBlock后的结果上) EDSR中采用了residual scaling with factor 0.1，B=32，F=256 MDSR是同时可以进行x2,x3,x4三种缩放比例的网络，网络中间部分共享，前后两端分别有不同的，前端的resBlock采用5x5的卷积，B=80，F=64，不使用residual scaling。训练这个网络时，每个batch里，随机选一种尺度进行训练，其他的尺度就不训练，对应的模块参数就不变，这样中间部分是一直更新的。

loss采用L1，而不用L2，原因是更加好收敛采用self-ensemble strategy，就是对输入图像进行4个方向旋转，然后还有翻转，这样就能构建8种情况，就是8个LR图，都经过网络，得到8个输出，然后把这个8个HR图取平均，作为最后的结果，EDSR+和MDSR+就是使用了这种策略这个结果基本上是很好了。

四、 RCAN

Image Super-Resolution Using Very Deep Residual Channel Attention Networks-2018

使用了很深的网络，为了能够收敛，使用了Residual in Residual，同时加入了long skip connection 每个RG由多个RCAB模块组成，RCAB使用残差，同时加入了Channel Attention机制使用了10RG，每个RG中有20个RCAB，主要是3x3卷积，通道数一般用64