【超分辨率SRCCN】Image Super-Resolution Using Deep Convolutional Networks

Image Super-Resolution Using Deep Convolutional Networks

1、Background

单图像超分辨率（SR）[20]旨在从单个低分辨率图像中恢复高分辨率图像，这是计算机视觉中的经典问题。 因为对于任何给定的低分辨率像素都存在多种解决方案，所以固有地提出了这个问题。 换句话说，这是一个不确定的反问题，其解决方案不是唯一的。 通常通过强先验信息约束解决方案空间来缓解这种问题。

基于稀疏编码的方法是代表性的基于外部示例的SR方法之一。 该方法在其解决方案流程中涉及几个步骤：首先，从输入图像中密集裁剪出重叠的方块并进行预处理（例如，减去均值和归一化）。 然后，这些补丁通过低分辨率字典进行编码。 稀疏系数被传递到高分辨率字典中，以重建高分辨率色块。重叠的重构块被聚合（例如，通过加权平均）以产生最终输出。 大多数基于示例的外部方法都共享此管道，这些方法特别注意学习和优化字典或构建有效的映射功能。 但是，管道中的其余步骤很少在统一优化框架中进行过优化或考虑。

在本文中，我们表明上述管道等效于深度卷积神经网络。 基于这一事实，我们考虑了一个卷积神经网络，该网络可以直接学习低分辨率和高分辨率图像之间的端到端映射。

我们将提出的模型命名为超分辨率卷积神经网络（SRCNN）1。拟议的SRCNN具有几个吸引人的属性。首先，有意识地设计其结构时要考虑到其简单性，但是与基于最新示例的方法相比，它提供了更高的精度2。图1显示了一个示例的比较。

其次，通过适度的过滤器和层数，即使在CPU上，我们的方法也可以实现实际在线使用的快速速度。我们的方法比许多基于示例的方法要快，因为它是完全前馈的，不需要解决使用上的任何优化问题。

第三，实验表明，当使用更大和更多样化的数据集，或使用更大更深的模型，网络的恢复质量可以进一步提高相反。此外，所提出的网络可以同时处理三个彩色图像通道，以实现改进的超分辨率性能。

2、RELATED WORK

2.1 Image Super-Resolution

根据图像先验，单图像超分辨率算法可以分为四种类型的预测模型：基于边缘的方法，基于图像统计的方法和基于补丁（或基于示例）的方法，这些方法已在Yang等人中进行了深入研究和评估。

大多数SR算法专注于灰度或单通道图像超分辨率