SRCNN单幅图像超分辨率翻译_srcnn全称 - CSDN文库

卷积神经网络

5星 · 超过95%的资源需积分: 24 202 浏览量更新于2023-05-30 评论 2 收藏 2.63MB DOC 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

深度卷积网络图像超分辨率的研究

摘要：本文提出了一种单幅图像超分辨率的深度学习方法（SR）。本方法直接学习低 /

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）[15]，它将低分

辨率图像作为输入并输出高分辨率图像。进一步表明，传统基于稀疏编码的 SR 方法也可以

被看作是一个深度卷积网络。但不同于传统分别处理每个部分的方法，本方法共同优化所有

层。本文深度 CNN 结构轻巧，却展现了最先进的修复质量，实现了实用在线使用速度。

关键词：超分辨深度卷积神经网络

一、介绍

单幅图像超分辨率（SR）[11]是计算机视觉中的一个经典问题。最近用于单幅图像超分

辨率的最先进方法大多是基于实例的。这些方法要么利用相同图像的内部相似性[7,10,23]，

要么从外部低分辨率样本对和高分辨率样本对学习映射函数[2,4,9,13,20,24,26,28]。基于示例

的外部方法往往提供了丰富的样本，但是受到数据有效和紧凑建模困难的挑战。

基于稀疏编码方法[25,26]是外部基于实例的图像超分辨率代表方法之一。这个方法涉及

到几个步骤。首先，从图像中密集地提取重叠的片并进行预处理（例如，减去平均值）。然

后这些图片由低分辨率字典编码。稀疏系数被传递到高分辨率字典中，用于重建高分辨率的

图片。重叠重建图片被聚合（或平均）以产生输出。之前的 SR 方法特别注意学习和优化词

典[25,26]或者对其进行建模的替代方法[4,2]。然而，管道中的其余步骤很少被优化或考虑在

统一的优化框架中。

在本文中，我们展示了上述管道相当于一个深层卷积神经网络[15]（更多细节在 3.2

节）。受此事实的启发，我们直接考虑卷积神经网络，它是低分辨率图像和高分辨率图像

之间的端到端映射。我们的方法与现有的基于外部例子的方法有着根本的不同，因为我们没

有明确地学习字典[20,25,26]或流形[2,4]来模拟图像块空间。这些通过隐藏层隐式实现。此外，

图像块提取和聚合也被制定为卷积层，因此涉及优化。在我们的方法中，整个 SR 管道是通

过学习完全获得的，很少有前/后处理。

我们命名提出的模型超分辨率卷积神经网络（SRCNN）。拟议的 SRCNN 有几个吸引

人的属性。首先，它的结构是为了简单而设计的，与现有的基于实例的方法相比，它提供了

更高的精度。图 1 显示了一个例子的比较。其次，在中等数量的过滤器和层数下，我们的方

法即使在 CPU 上也能实现快速的实际在线使用。我们的方法比一系列基于范例的方法更快，

因为它是完全前馈的，不需要解决任何使用上的优化问题。第三，实验表明，当（i）更大

二、相关工作

图像超分辨率。一种最先进的 SR 方法[9,4,25,26,24,2,28,20]学习低/高分辨率片之间的映

射。这些研究在如何学习一个紧凑的字典或流形空间来关联低分辨率/高分辨率的图像块以

及如何在这样的空间中进行表示方案方面有所不同。在 Freeman 等人的先驱工作中。[8]，字

典直接表示为低/高分辨率的片对，并且在低分辨率空间中找到输入片的最近邻（NN），其

相应的高分辨率片用于重构。Chang 等人 [4]引入了一种流形嵌入技术作为神经网络策略的

替代方案。在杨等人的工作[25,26]中，上述 NN 对应推进到更复杂的稀疏编码公式。这种基

于稀疏编码的方法及其一些改进[24,20]是现今最先进的 SR 方法之一。在这些方法中，图像

块是优化的重点；修补程序提取和聚合步骤被视为前/后处理和分开处理。

卷积神经网络。卷积神经网络（CNN）可以追溯到几十年[15]，最近显示出爆炸性的流

行，部分原因是它在图像分类方面的成功[14]。在这个过程中，有几个因素至关重要：

（1）在现代强大的图形处理器上实现高效的训练[14]；（ 2）整合线性单元（ReLU）的建

议[18]，使得收敛速度更快，质量[14]，和（3）容易获得丰富的数据（如 ImageNet [5]）来

训练更大的模型。我们的方法也从这些进展中受益。

深度学习图像恢复。已经有一些使用深度学习技术进行图像恢复的研究。多层感知器

（MLP）的所有层都是完全连接的（与卷积相反），被应用于自然图像去噪[3]和后去模糊

去噪[19]。卷积神经网络与我们的工作更密切相关，被应用于自然图像去噪[12]和去除噪声

模式（污垢/雨）[6]。这些恢复问题或多或少是由去噪驱动的。相反，图像超分辨率问题并

没有见识到深度学习技术的运用。

三、卷积神经网络的超分辨率

3. 1 公式

考虑一幅单一的低分辨率图像。首先，使用双三次插值将其升级到所需的大小，这是我

们执行的唯一预处理。将插值后的图像表示为。我们的目标是从中恢复出与真实高分

辨率图像尽可能相似的图像。为了便于表示，我们仍然称为“低分辨率“图像，虽

然它与的尺寸相同。我们希望学习一个映射，它在概念上由三个操作组成：

剩余16页未读，继续阅读

评论1

weixin_42146059

2018-05-20

对于初学者来说很有用

IPNUSITlegal
上传者
2018-06-11

同样初学者

IPNUSITlegal

粉丝: 1
资源: 2

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈