SRCNN---深度学习图像超分辨的开山之作一文的主要思想

这篇论文是深度学习应用于图像超分辨的开山之作，个人认为很有必要阅读，因为它是传统超分辨算法与深度学习超分辨算法之间的一个过渡，描述了他们之间的变迁过程，即如何提出基于深度学习的超分辨算法的。

该篇论文的网络结构的提出是基于稀疏编码的超分辨算法而来。通过类比基于稀疏编码的超分辨算法的各个处理过程，即下图1所示的三个过程：Patch extraction and representation，Non-linear mapping，Reconstruction，提出了同样包含着这三个过程的卷积神经网络SRCNN，如下图2所示。文章还分析了SRCNN与传统的基于稀疏编码的超分辨算法存在的优势------计算效率更高，超分辨效果更好。

图1
基于稀疏编码的超分辨算法大致过程如下：
首先，对输入的低分辨率图像进行图像块提取，并将每一个图像块用所学到的低分辨率字典表示，这样就可以得到多个系数向量，然后再将这些系数向量再用一个学得的高分辨率字典表示（在稀疏编码方法中，通常这两个字典的大小是一样的），得到相应的高分辨率块的表示，最后组合这些高分率图像块，对于重叠的部分采用取平均的策略（个人理解是重叠部分的对应位置像素之间取平均），最后输出超分辨图像结果。（这部分纯属个人理解，本人对稀疏编码了解的比较少，如果有不当之处，还请阅读的人能够之处，分享您对此的理解，我将不胜感激）

SRCNN的网络结构如下：

图2
每一层的具体作用描述如下：
Patch extraction and representation
该层的结构参数设置如下：
卷积核的大小：99，卷积核的个数：64，即最后会输出64维的特征图，单个卷积核的维数：1（因为是对单通道—Y通道图像进行超分辨）。
’这一层的主要作用是提取低分辨率图像的特征。
Non-linear mapping
结构参数设置：
卷积核的大小：11，卷积核的个数：32，单个卷积核的维数：64。
该层的主要作用是进行非线性映射，将低分辨率图像的特征映射为高分辨率图像的特征，并进行降维操作（将特征图的维度从64降到32）。
Reconstruction
架构参数设置：
卷积核大小：5*5，卷积核的个数：1（因为是对单通道—Y通道图像进行超分辨），单个卷积核的维数：32。
这一层就是最终超分辨图像的输出层。