标签：基于 插值 分辨率 补丁 SRCNN 开山 图像 方法

本文提供了与SRCNN论文的总结和回顾，如果你对于图像的超分辨率感兴趣，一定要先阅读这篇论文，他可以说是所有基于深度学习的超分辨率模型的鼻祖

卷积神经网络通常用于分类，目标检测，图像分割等与某些与图像有关的问题中。在本文中，将介绍CNN 如何用于单图像超分辨率（SISR）。这有助于解决与计算机视觉相关的各种其他问题。在CNN出现之前，传统的方法是使用最近邻插值、双线性或双三次插值等上采样方法，也可以取得不错的效果。

• Nearest Neighbors Interpolation — 最近邻插值是一种简单明了的方法。它为每个插值点选择最近像素的值，而不考虑任何其他像素的值。
• Bilinear Interpolation (BLI) — 双线性插值 这是一种在图像的一个轴上进行线性插值，然后再移动到另一个轴的技术。因为它产生了一个接受域大小为 2x2 的二次插值，所以它在保持合理速度的同时优于最近邻插值。
• Bicubic Interpolation(BCI) — 双三次插值与双线性插值一样，双三次插值 (BCI) 在两个轴上进行。与 BLI 相比，BCI 考虑 4x4 像素，从而产生更平滑的输出，具有更少的伪影，但速度要慢得多。

本文介绍的SRCNN 模型基本由三个使用步骤组成：

• 区块补丁提取和表示
• 非线性映射
• 重建

相关工作

一般情况下 SISR （Single Image Super Resolution,）可以总结为以下4种方法——预测模型、基于边缘的方法、图像统计方法和基于补丁（或基于样本）的方法。SRCNN 使用基于补丁的方法。利用输入图像内部样本的自相似性属性来生成补丁。SRCNN 使用稀疏编码公式来映射低分辨率和高分辨率的补丁，并且图像考虑了 YCbCr 颜色通道。

用于图像恢复的深度学习

大多数图像恢复深度学习方法都是去噪驱动的。虽然自编码器不能提供从低分辨率到高分辨率图像的端到端映射，但是在去噪图像领域表现得非常好，而SRCNN 专注于解决这个问题。

完整文章：

https://www.overfit.cn/post/e0f8f992ac8d43f1945564b1fd0f14b6

标签：基于,插值,分辨率,补丁,SRCNN,开山,图像,方法
来源： https://www.cnblogs.com/deephub/p/16152162.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。