하나의 학습 방법에 대한 기사의 깊이는 슈퍼 해상도 이미지에 소개했다. 또한, 종래의 (스파 스 부호화) 부호화 희소 초해 모드 콘볼 루션 신경망의 깊이로 간주 될 수있는 달성을 나타낸다. 그러나 각 개별 구성 요소를 처리하는 기존의 방법과는 달리,이 방법은 모든 층의 공동 최적화를 제안했다.
최신의 방법은 샘플의 대부분을 기반으로 - 매핑 함수를 학습 저해상도 영상 중 내부 화상 유사도의 개발 중 외부로부터 높은. 종종 샘플을 많이 필요하지만, 어려운 외부 이미지 기반의 접근 방식 학습을 모델링 효과적이고 집중적 인 데이터에 직면하게 될 것이다.
외부 스파 스 부호화에 기초하여 시료의 수퍼 - 해상도 이미지를 대표한다. 단계는 다음과 같습니다
① 밀도가 원본 이미지 전처리 겹치는 이미지 블록으로부터 추출;
사전의 저해상도 ② 인코딩 된 이미지 블록;
③ 희소 계수는 고해상도의 고해상도 이미지 블록을 재구성하기 위해 사전에 전달되며, 그 후, 이미지 블록은 출력 영상을 생성하는 중합된다.
이전 슈퍼 해상도 방법은 특히 학습 및 최적화 방법이나 사전을 빌드 사전에 초점을 맞추고 있지만, 다른 단계의 동일한 최적화 프레임 워크에 거의 최적화되지 또는 고려 될 수있다. 이 논문 프로그램은 상술 한 단계 스파 스 부호화는 콘볼 루션 신경망의 깊이에 상당한다. 그리고, 외부 슈퍼 해상도 방법이 기존의 이미지 블록 샘플 이미지를 기반으로 암시 적으로 숨겨진 레이어를 구현 SRCNN 제안, 학습 사전을 통해 고해상도 이미지의 마지막에 저해상도 이미지 매핑, 다른입니다 추출 및 중합 컨벌루션 층에 의해 수행되며, 전체 과정이 거의 전처리 및 후속 처리를 학습하지함으로써 달성된다.
이 논문의 세 가지 주요 공헌은 다음과 같습니다
① 슈퍼 해상도의 이미지에 대한 회선 신경망을 제안했다. 고해상도 저해상도 이미지의 학습 네트워크 직접 - 투 - 엔드 매핑 및 최적화 과정은 거의 전처리 또는 후속 처리하지 않습니다;
학습과 전통적인 방식에 따라 계수를 코딩의 깊이에 따라 최고 해상도 방법의 설립을 ②. 이 관계는 네트워크 구조의 설계에 대한 가이드를 제공한다;
③이 고전 컴퓨터 비전 문제에 슈퍼 해상도 깊이 연구에서 입증 유용하고 좋은 품질과 속도를 얻을 수 있습니다.
특정 구현에서, 타겟 사이즈의 큐빅 보간 제 리프팅, 화상이라고 함 저해상도 화상 고려 는 Y 전체 프로세스의 유일한 전처리이다. 목표는이다 Y의 로 돌아 F (Y) 그래서 지금까지 지상 진실 고해상도 이미지와 가능한 한 X 우리가 매핑 배울 수 있도록 노력하겠습니다 때문에, 유사하다 F 세 가지 작업을 포함하고, 이러한 작업은 회선 신경 네트워크를 구성한다.
1 패치 추출 및 표현 (블록 추출 및 표현) 저해상도 이미지 블록의 이미지를 추출하고, Y는 이들 벡터의 계열로 이루어진, 고 차원 벡터를 나타내는 것이 특징 맵의 개수와 동일, 제 층 F1, 각각으로 표시되는 N1 추출 차원 이미지 블록 기능
2 비선형 매핑 (비선형 매핑) 차원 벡터 매핑 N2 치수 벡터 N1
3, 재건 (재구성) 종래 겹치는 전체 화상의 블록 평균을 재구성하고, 이러한 평균은 필터 특성 맵의 시리즈로서 간주 될 수 있으며, 최종 층 컨볼 루션 결과를 생성 할 수있다
연락 스파 스 코딩의 :
① 추출 저해상도 화상 F1 * 입력 화상으로부터 상기 사전의 평균 크기를 감산하고, 입력 화상의 N1 → F1 * F1 선형 필터 처리의 N1으로 돌출하여 F1 블록 사이즈
② 상기 희소는 고해상도 선형 컨벌루션 사전 N2 → N2 상에 투영되는 계수를 부호화 한 후
MSE와 전체 네트워크의 기능의 상실이 측정되므로 높은 PSNR을 선호한다. 때 다른 SR 방법을 잘 SRCNN 효과를 비교 하였다. 당신은 네트워크의 크기를 증가, 세트 훈련 필터의 크기를 증가의 수를 증가하는 경우 또한, 네트워크 성능이 향상됩니다.
일반적으로, 종래의 초 해상도 이미지는 스파 스 부호화 콘벌 루션 신경망 깊이를 재현하는 데 사용할 수있다,이 경량 구조의 효과가 좋은 것으로 최신의 비교에 기초하고 있기 때문에 그것 SR 및 기타 저수준의 시력 문제를 달성하면서 단순하고 로버 스트뿐만 아니라,이 화상 번짐이나 노이즈 제거를 위해 사용된다.