SRCNN 論文閱讀

這篇論文Learning a Deep Convolutional Network for Image Super-Resolution)

講述了 用CNN解決了低解析度圖片轉換到高解析度圖片的問題。

輸入一張低解析度的圖片，這個神經網路能返回一張高解析度的圖片。

他們把這個方法叫做SRCNN（Super-Resolution Convolutional Networks)。

名詞解釋

LR: 低解析度圖像 low resolutional images

HR: 高解析度圖像 high resolutional images

SR: 超解析度圖像 Super-Resolution images

CNN: 卷積神經網路 Convolutional Networks

流程

1. 獲取一張HR圖

2. 根據原圖製作一張低解析度原圖，記錄這個scale factor。

3. 用bicubic法過採樣（Upsampling ）第二步獲得的圖像，讓返回的圖像和HR一樣大小，但這張圖仍然叫做LR。

4. 訓練一個三層神經網路

4.1 神經網路的輸入為第三步獲得的LR，輸出為SR， LR和SR的size一樣。

4.2 HR 作為SR 的ground truth， CNN 通過backprop 不斷讓SR 更逼近 HR 。

4.3 損失函數用 pixel-loss 具體公式為 。其中HWC 分別為圖片的長，寬和color channel個數，一般為1 或3 。

這個三層神經網路可以用下圖表示出來。

5. 不斷重複上述步驟， 訓練這個三層神經網路，使得這個網路能獲取任意大小的圖像， 然後生成相應的SR

結果

我們用PSNR 作為衡量圖像一和圖像二相似度的指標， PSNR 越大說明圖像越相似。

可見用SRCNN 的方法能取得比A* KK ANR 等更優的結果。

下圖是他們提供的栗子

推薦閱讀：