图像超分辨率重建-SRCNN

图像超分辨率重建-SRCNN
图像超分辨率重建
把⼀张低分辨率图像(low resolution) 通过⼀定的算法转换成⾼分辨率图像(high resolution)；
在深度学习之前，有很多传统⽅法可以解决该问题，如插值，但是效果⼀般；
SRCNN 是第⼀个把深度卷机⽹络⽤于该任务的深度学习模型，故被称为图像超分辨率重建的⿐祖；
可喜的的是作者有我们的国⼈何凯明⼤神；
SRCNN ⽹络结构
作者认为，既然能够通过⼀定的算法提⾼图像分辨率，那么低分辨与⾼分辨之间⼀定有 “共通的特性”；
就是这么简单的假设，作者设计了 SRCNN；这⾥我想说的是，模型到底是什么不重要，重要的是作者为什么能设计这样的模型；
该模型的⽹络结构⾮常简单，只有 3 层卷积，如下图
第⼀层：对低分辨率图像进⾏特征提取，原⽂ 9 x 9 x 64卷积核
第⼆层：对特征进⾏⾮线性映射，原⽂ 1 x 1 x 32卷积核
第三层：对映射后的特征进⾏重建，⽣成⾼分辨率图像，原⽂ 5 x 5 x 1卷积核
// ⽣成单通道图像，故c=1，与输⼊保持⼀致
训练与测试
训练过程：在⾼分辨率图像上随机截取 patch，先进⾏降采样(⽬的是降低分辨率)，再进⾏升采样(模型需要，输⼊尺⼨固定)，以此作为模型输⼊，label 是截取的 patch，loss 为逐像素 mes；
测试过程：先通过插值等⽅式降低分辨率，然后喂给模型
总结
既然是⿐祖，肯定不完美，有很多改进版，以后再说
参考资料：。