SRCNN

前言：新坑首发。读论文并实现！展示每一段的意义，并最后实现代码。我们先从 SRCNN 开始。论文及代码在最后给出

摘要

• 提出了用深度学习的方法来解决超分辨率的问题。

• 使用卷积神经网络，来完成低质量到高质量图片的映射

1 介绍

• 介绍传统方法的不好

• 但是受传统方法管道(Pipeline)的启发，卷积神经网络来完成低质量到高质量图片的映射

• 使用这个方法不需要像传统的方法那样

not explicitly learn the dictionaries or manifolds for modelingthe patch space.

不是很好理解，毕竟不是很了解传统方法。所以跳过

• 我们把这个网络叫做超分辨率卷积神经网络(Super-Resolution Convolutional Neural Network)

（开始介绍 SRCNN 有多们的好）

• 故意设计得结构简洁，但是比传统方法准确率高

• 即使使用 CPU 计算速度也很快，因为不需要去优化

• 数据集很大的时候，结果会更好

2 相关工作

2.1 Image Super-Resolution

这里主要讲传统方法，跳过

2.2 Convolutional Neural Networks

介绍卷积神经网络，跳过

2.3 Deep Learning for Image Restoration 使用深度学习完成图像重建

介绍深度学习，在图像去噪上有作用，但是还没有用作超分辨率图像的重建

3 用于超分辨率的卷积神经网络

3.1 公式

• 数据预处理，将低分辨率的图片通过（upscale bicubic interpolation）放大，使与分辨率图片一样大

• Patch extraction and representation
  第一层卷积，激活函数 ReLu

• Non-linear mapping
  第二层卷积，激活函数 ReLu

• Reconstruction
  第三层卷积，实现重构高分辨率的图片

（卷积过程可看最后的代码）

3.2 Relationship to Sparse-Coding-Based Methods

介绍传统方法可以被当做卷积神经网络，跳过

3.3 Loss Function

image.png

并使用随机梯度下降和标准后向传播。使用 MSE 作为损失函数有利于高 PSNR。PSNR 用于定量评估图像恢复质量。

4 Experiments

Datasets

介绍与传统方法使用的数据集类似

Comparisons

与传统方法比较

Implementation Details 实现细节！重点

这是实现代码的关键

• 中间具体参数

• 由高分辨率图像得到子图像集这是 {Xi}

• 把子图像集用高斯内核变模糊，再通过双三次插值将其放大到和 Xi 的大小一样

• 可以用亮度值也就是 c = 1，一般有颜色的图片 c = 3

• 卷积层没有 padding ,最后得到的图片肯定比 Xi 要小。但是，因为我们使用的 MSE 损失函数，只计算中间部分

• 通过随机抽取高斯分布来初始化每层的滤波器权重，其中零均值和标准偏差为0.001（对于偏差为0）。前两层的学习率为10-4，最后一层的学习率为10-5。凭经验发现，最后一层较小的学习率对网络收敛很重要

4.1 Quantitative Evaluation

质量评估，跳过

4.2 Running Time

运行时间，跳过

5 Further Analyses

实现以后再看，可以先跳过

6 Conclusion

总结，跳过

References

参考，跳过

论文及代码实现

• 论文地址
• 代码