SRCNN-基于深度学习的图像超分入门

 图像超分

图像超分辨率问题定义：

输入一张低分辨率图像时（low resolution，LR），通过算法，输出一张高分辨率图像（high

resolution，HR）

 传统的图像插值算法可以在某种程度上获得这种效果，但是效果并不理想，比如

（1）最近邻插值：将图像中的原像素点最邻近像素的灰度值赋给原像素点的方法。

（2）双线性插值：利用图像中虚拟点四周的四个真实存在的像素值来共同决定虚拟点的一个像素值。

（3）双三次插值：利用图像中虚拟点四周的十六个真实存在的像素值来共同决定虚拟点的一个像素值。 图像插值算法都可以理解为用周围的点乘上不同的权重相加来拟合这个点。

 SRCNN模型介绍

 Learning a Deep Convolutional Network for Image Super-Resolution

 

 

注意：SRCNN网络训练与测试的padding

训练

为了避免border effects，所有的卷积层没有padding。所以这个时候的网络的输出是小于网络的输入的，这时计算loss(MSE)是只基于网络的输出和ground truth中间对应部分计算。

测试（推理）

在测试的时候，除了卷积核大小为1×1的卷积层都进行了padding，保证输入与输出的尺寸一致性。