SRCNN笔记小结

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u011630458/article/details/79103923

简介

　　本篇主要是对论文:Learning a Deep Convolutional Network for Image Super-Resolution笔记记录小结

SRCNN实现

论文贡献

　　1、提供了一个卷积神经网络做图像超分辨率方法，该方法端到端的直接学习LR-HR图像，不需要复杂的预处理或者后处理。
　　2、对传统的稀疏字典SR和深度学习SR做了分析估计，这个估计有助于指导设计网络结构。
　　3、证明了深度学习在SR领域是有效的，并且速度和质量都不错。

操作步骤

　　1、LR块字典
　　2、HR块字典
　　3、非线性映射函数
　　4、块减去均值的预处理和生成块结果平均的后处理

处理流程

　　流程图大致如下：
            

　　1、训练图像中，将LR图像切片成33x33大小图像块，切片步长为14；将对应HR图像切片成21X21大小图像块，步长一样为14。

　　2、第一层卷积：
          输入LR图像块，卷积核为:cxf1xf1xn1。
          c为输入图像通道数，Y的话，c为1。
          f1为卷积核size，可以设置为9
          n1为当前卷积层输出深度，可以设置为：64

　　3、第二层卷积(非线性映射)
          输入为前一卷积层的输出，当前层卷积核为:n1x1x1xn2
          n1为前一个卷积层输出数据深度
          n2位当前层输出数据深度，这里可以设置为32

　　4、第三次卷积层(重建)
          输入为第二卷积层输出，当前层卷积核为：n2xf3xf3xc
          n2为前一个卷积层输出数据深度
          f3为卷积核size，可以设置为5
          c为重建后HR图像通道数，和输入图像通道数保持一致。

使用的损失函数