深度學習用於影象超解析度重建的經典paper彙總(3)
阿新 • • 發佈：2019-01-02
三.Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network(ESPCN)
0.亮點：直接在低解析度圖上進行處理，比之前的方法效果更好速度更快。
1.目前做SR的方法一般分為基於統計的，基於邊緣，基於塊的，基於稀疏編碼還有基於網路的。以前基於網路的方法有些不足。一方面，處理卷積操作時，一開始就擴充套件了低解析度圖，計算時間將增加；另一方面，從低解析度空間到高解析度空間的轉化基於傳統插值（interpolation）方法，這不會給解決病態重建問題帶來附加資訊。
3.模型
輸入層低解析度圖片(H X W X C),輸出層是高解析度圖(rH X rW X C).
1)先做L-1層特徵對映（卷積）。
2）最後一層，網路通過畫素洗牌（pixel shuffle）實現高解析度輸出。
4.代價函式
5.評價指標PSNR
6.圖片資料集 the Timofte，set5,set14,BSD300,BSD500,ImageNet.視訊資料集Xiph，Ultra Video Group
7.論文連結：https://arxiv.org/abs/1609.05158