深度学习超分辨开山之作SRCNN

最新推荐文章于 2025-06-04 19:34:27 发布
最新推荐文章于 2025-06-04 19:34:27 发布
阅读量3.3k 收藏 8
点赞数
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/xs11222211/article/details/82457355
SRCNN是深度学习在图像超分辨领域的开创性工作，采用3层CNN结构，以逐像素损失训练，实现从低分辨率到高分辨率的转换。网络包含提取、非线性映射和重建三个步骤，灵感来源于稀疏编码。尽管结构简单，但其效果在当时达到了state of the art。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文：Learning a Deep Convolutional Network for Image Super-Resolution
代码：项目主页

作为将深度学习应用于超分辨的开山之作，论文的思路来源于前人的基于稀疏编码的单帧超分辨重建算法。作者设计了一个3层的CNN，以逐像素损失为代价函数。感觉没有什么特别的技巧，取得了state of art的效果。

网络结构

1794530-42692c4f605c1cae.png
SRCNN
  • 预测过程：首先将图像插值一定的倍数作为输入图像，然后通过网络，输出结果。
  • 训练过程：对高分辨率图像随机选取一些patch，然后进行降采样，然后进行升采样，以此作为输入，并以原始高分辨率图像作为目标，采用逐像素损失为优化目标。

滤波器的大小分别为：3 x 9 x 9 x 64, 64 x 1 x 1 x 35, 35 x 5 x 5 x 1。
整个卷积的过程不改

最低0.47元/天 解锁文章

200万优质内容无限畅学
SRCNN笔记一
学海无涯，快乐行舟
12-25 995
1. 综述 原文：Learning a Deep Convolutional Network for Image Super-Resolution 文章指出Sparse-coding-based方法中的管线可以等同于一个深度学习网络。 在真实图像已知的情况下,评价方法有：PSNR(峰值信噪比), SSIM, multi-scale SSIM, information fidelity criterion(IFC), noise quality measure(NQM), weighted peek sig
SRCNN：深度学习单图超分开山之作【附代码】
AI数据工厂
04-23 3035
介绍了单图SR开山之作——SRCNN，并给出了网络结构的实现代码。
基于深度学习的图像超分辨率重建技术：原理与实现
最新发布
a61679434973的博客
06-04 451
作为一名长期从事计算机视觉研究的开发者，我一直在探索如何利用深度学习技术解决实际问题。今天，我想和大家分享一个非常有趣且实用的技术——。这项技术能够将低分辨率图像转换为高分辨率图像，广泛应用于医学影像、安防监控、卫星图像等领域。本文将介绍其技术原理、实现步骤，并通过代码示例和实际案例说明其价值与局限性。
图像超分辨率重建（SRCNN算法）
11-26
基于MATLAB的图像超分辨率重建程序，使用的是训练后的SRCNN方法，自带训练库。 (降积分)充字数........
SRCNN阅读笔记
read, note and comment papers
07-20 435
原文链接如下：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7115171&tag=1 首先是pre-processing，将低分辨率图像用插值法增加pixel数量到与高分辨率图像X一样多，设此时图像为Y，那么SRCNN的目的就是找到这样一个function F， 使F(Y)与X越接近越好 1) 其次是 “Pa...
SRCNN论文翻译（Image Super-Resolution Using Deep Convolutional Networks）
PPLLO_o的博客
05-09 8387
摘要 我们提出了一种单图像超分辨率（SR）的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为深度卷积神经网络（CNN），其将低分辨率图像作为输入并输出高分辨率图像。我们进一步表明，传统的基于稀疏编码的SR方法也可以被视为深度卷积网络。但与分别处理每个组件的传统方法不同，我们的方法共同优化所有层。我们的深层CNN具有轻质结构，同时展示了最先进的修复质量，并实现了实...
SRCNN---深度学习图像超分辨的开山之作一文的主要思想
造未来
03-28 2019
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-...
图像超分辨率重建之SRCNN
热门推荐
Autism_的博客
02-28 5万+
新版本请访问简书链接：https://www.jianshu.com/p/dfe85a3c2096 图像超分辨率重建：指通过低分辨率图像或图像序列恢复出高分辨率图像。高分辨率图像意味着图像具有更多的细节信息、更细腻的画质,，这些细节在高清电视、医学成像、遥感卫星成像等领域有着重要的应用价值。 Super-Resolution Convolutional Neural Network：本...
MATLAB复现SRCNN超分辨率重建研究
资源摘要信息:"SRCNN是一个用于图像超分辨率重建的深度学习模型，它在图像处理领域具有重要地位，被认为是超分辨率重建领域的开山之作。SRCNN模型通过深度卷积神经网络实现，它能够将低分辨率的图像转换为高分辨率...
机器学习/深度学习资料
2401_86435672的博客
07-30 1371
新年大礼包：机器之心2018高分教程合集CVPR2019目标检测方法进展综述。
SRCNN笔记二
学海无涯，快乐行舟
12-25 399
1. 综述 原文：Image Super-Resolution Using Deep Convolutional Networks 这一篇与更早之前的另一篇很相似(Learning a Deep Convolutional Network for Image Super-Resolution)。不同之处是，本篇增加了以下几个重点： 在非线性映射层(non-linear mapping layer)引入更大的filter尺寸，并探索增加层数。 同时处理三个颜色通道, YCbCr或RGB。通过实验证明比单通道
SRCNN：适用于PythonTorch，Numpy和Avnet的ZedBoard的超分辨率卷积神经网络（SRCNN）
02-23
超分辨率卷积神经网络（SRCNN） 适用于Python / Torch，Numpy和Avnet的ZedBoard的SRCNN实现 单个图像超分辨率（SR）的目的是从单个低分辨率（LR）图像中恢复高分辨率（HR）图像。 该存储库包含Dong，Chao等人的超分辨率卷积神经网络（SRCNN）的三种实现。 “使用深度卷积网络的图像超分辨率。” （ ） 概括 9-5-5卷积神经网络 三种实现 火炬：用于训练网络，提取权重和放大 脾气暴躁：升级 Cython：用于升级（可以在Avnet的上运行） 完全由CPU运行或 在ZedBoards FPGA上运行2D卷积 用法 有关用法说明和先决条件，请参见其文件夹中的相应实现的README.md文件： 指标 公制 双三次 爱生雅 NE + LLEA 卡卡 安拉 A + A SRCNN（东） SRCNN（我们的） 信噪比 29.56 31.42
基于python+tensorflow的srcnn超分辨率重构代码（基本可以达到论文中的效果）
12-23
基于python+tensorflow的srcnn超分辨率重构代码（基本可以达到论文中的效果），优于基本上网上的大部分代码，网上大部分代码效果离理想效果差5-6db，而我这个资源把里面的坑踩掉了。可以结合我主页的博客看会更容易理解。下载后请先阅读说明文档。对应博客：https://blog.youkuaiyun.com/weixin_43723423/article/details/108368746
SRCNN_train.rar
06-18
超分辨率作为一门比较火的领域，传统方法处理SR问题时，有着一些问题，比如说边缘模糊，由此SR和卷积神经网络的结合，较好的解决了这问题
SRCNN-pytoch代码讲解
weixin_44825185的博客
09-06 6425
pytorch版本的SRCNN代码一共分为６个.py文件，结构如下： datasets.py models.py prepare.py utils.py test.py train.py   以上文件不分先后，执行时通过import…或者from…import…语句进行调用。以下解释import部分均省略，个别例外。 1.prepare.py   readme.md中给出了不同放大倍数下的训练数据，验证数据和测试数据的下载地址。如果下载了直接把对应的路径写好就可以执行了，这里我们使用自己下载的数据通过使
SRCNN超分辨率Pytorch实现，代码逐行讲解，附源码
weixin_52261094的博客
12-20 2万+
超分辨率，就是把低分辨率(LR, Low Resolution)图片放大为高分辨率(HR, High Resolution)的过程。通过CNN将图像Y 的特征提取出来存到向量中。用一层的CNN以及ReLU去将图像Y 变成一堆堆向量，即feature map。把提取到的特征进一步做非线性映射，加大网络深度，提高网络复杂性。结合了前面得到的补丁来产生最终的高分辨率图像。实验步骤。
SRCNN 代码解读【utils.py】
RanCh.Wong
07-12 1881
最近在学习SRCNN，阅读代码做好笔记 代码下载链接https://github.com/tegg89/SRCNN-Tensorflow 下面开始 """ Scipy version > 0.18 is needed, due to 'mode' option from scipy.misc.imread function """ import os #导入os库，主要用于系统命令处理 ...
【图像超分】论文复现：新手入门！Pytorch实现SRCNN，数据预处理、模型训练、测试、评估全流程详解，注释详细，简单修改就可以训练你自己的图像数据，有训练好的模型下载地址，随取随用
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-11 2万+
【图像超分】论文精读：Image Super-Resolution Using Deep Convolutional Networks（SRCNN）请配合上述论文精读文章使用，效果更佳！图像超分辨率SRCNN和FSRCNN复现代码，除基本的网络实现外，还有特征图可视化，PSNR曲线图可视化，测试自己的图像数据等不想理解原理，希望直接跑通然后应用到自己的图像数据的同学，请直接下载上面的代码，有训练好的模型，直接用即可。具体使用方式见代码中的README！有问题来本文评论区留言！准备数据集，以及数据预处理。
SRCNN
qq_45033722的博客
01-10 4298
1. introduction 考虑了一个卷积神经网络，它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。我们的方法与现有的基于外部实例的外部方法有根本的不同，因为我们的方法没有明确地学习字典[41]、[49]、[50]或流形[2]、[4]。这些都是通过隐藏层隐式地实现的。此外，斑块的提取和聚合也被表示为卷积层，因此也参与了优化。在我们的方法中，整个SR管道完全通过学习获得，很少进行预/后处理。 所提出的模型被命名为超分辨率卷积神经网络(SRCNN)1。所提出的SRCNN有几个吸引人的特性。首先，它的结
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值