開發十年，就只剩下這套架構體系了！ >>>   

題目：加速影象超解析度的卷積神經網路    ECCV 2016 收錄

摘要：

超解析度卷積神經網路(SRCNN)[1,2]作為一種成功應用於影象超解析度(SR)的深度模型，無論在速度還是恢復質量上都明顯優於以往手工製作的模型。然而，高計算成本仍然阻礙了它在實際應用中對實時效能(24fps)的要求。。本文針對當前SRCNN的加速問題，提出了一種緊湊的沙漏形CNN結構，使其具有更快、更好的魯棒性。首先，

我們在網路的末端引入一個反捲積層，然後直接從原始的低解析度影象(不插補)學習到高解析度影象的對映。其次，我們通過在對映之前收縮輸入特徵維度，然後再展開來重新構造對映層。第三，我們採用更小的過濾器大小，但更多的對映層。該模型的恢復速度可達40倍以上，恢復質量更優。此外，我們還提供了引數設定，這些引數設定可以在保持良好效能的同時在通用CPU上實現實時效能。針對不同放大因子的快速訓練和測試，提出了相應的遷移策略。

程式碼地址：https://github.com/yifanw90/FSRCNN-TensorFlow

其他地址：http://mmlab.ie.cuhk.edu.hk/projects/FSRCNN.html

學習地址：https://blog.csdn.net/u010327061/article/details/80092262

優點：不需要對LR影象進行預處理，直接進行特徵提取；在最後一層使用反捲積來擴大尺寸，得到對應的HR影象；LR---HR速度很快，在CPU上，可以進行實時處理。

缺點：不同的放大因子都要進行訓練，雖然速度很快，但還是不能一步到位。