超分辨率重构三---VDSR

VDSR(Accurate Image Super-Resolution Using Very Deep Convolutional Networks)阅读笔记
1、论文地址：https://arxiv.org/abs/1511.04587
2、github上tensorflow代码：https://github.com/Jongchan/tensorflow-vdsr
github上pytorch代码：https://github.com/twtygqyy/pytorch-vdsr
3、论文介绍
3.1、SRCNN的缺点

• 所依赖的图形上下文太小；
• 迭代收敛的太慢；
• 网络只能是指定的大小，当需要新的大小的时候还要重新去训练网络。

3.2、解决方法

• 通过使用深度卷积的方法，同时在卷积结束后将得到的结果扩展到原来图像的大小同时增加了感受野的大小，使得的所依赖的图像变大；
• 通过残差和较大的学习率（在训练过程中在不断改变）加快了迭代；
• 通过使用不同大小的数据进行训练，使得网络可以适应不同需求的scale，这部分是将原始数据通过多个不同的scale进行下采样，之后对下采样的数据在使用对应的scale进行上采样，得到低分辨率图像，比如首先将高分辨率图像分别使用[2,3,4]三个尺度使用双三次插值进行下采样，之后在使用[2,3,4]三个尺度上采样，得到相同的图像，这样在网络的输入的时候保证了