标签：Convolutional Very 残差 卷积 SRCNN VDSR 图像 分辨 Super

　　本文介绍了一种用多卷积层深度神经网络对图像进行超分辨的方法，也是与SRCNN进行了比较。

　　本文认为SRCNN主要有三点限制：

　　①SRCNN依赖的是图像中临近的小范围区域，因此对于图像中细节的恢复质量不够好；

　　②与前一篇FSRCNN中提到的相同，SRCNN训练的收敛速度很慢；

　　③SRCNN只能够实现对单一倍数的图像进行超分辨操作。

　　而针对这些限制，本文提出了VD(Very Deep)SR方法使得超分辨质量更高，收敛速度更快，并且可以用于多倍数图像的超分辨。

　　VDSR的网络层数有20层，与想象中不同的是，如此深的网络结构并没有使得计算的时间变得很高，反而因为使用的自适应梯度裁剪方法变得更加高效。VDSR的网络结构如图所示：

　　其中所应用到的原理是：高分辨的图像能够被分解为低频的信息和高频的信息。其中低频信息对应的是低分辨的图像，而高频信息对应的则是残差图像或是图像细节。基于这个原理，网络对输入图像的残差进行学习，将学习到的残差信息再与输入图像结合，就得到了最终的高分辨图像。

　　在整个网络中，有四个主要的特点需要注意：

1、这个深度的神经网络具有很大的感受野(receptive field)，在本文中为（2D+1）*(2D+1)，因此图像中的更多细节能够被采出用于建构超分辨图像；

2、残差学习(residual learning)以及自适应梯度裁剪(adjustable gradient clipping)使得网络能够快速收敛；

3、由于卷积层会使得输出的图像比上一层输入的图像更小，而在VDSR实现的过程中，输入图像是源图像先经过插值到所需的大小得到的，因此为了使得输出与输入图像大小一致，在每个卷积层之前都要进行补零操作，这样才能使得所有的特征映射的大小能够保持不变；

4、VDSR 将不同放大倍数的图像收集在一起进行训练，因此训练模型适用于不同倍数的超分辨问题，且表现良好。

　　总的来说，VDSR应用了更深层的卷积神经网络，特别的采用了残差学习和自适应梯度裁剪方法，使得神经网络的收敛速度显著增加。同时，由于网络层数的增加和感受野的增大，生成的超分辨图像的质量和细节都更加优越。此外，VDSR能适应不同放大倍数的图像超分辨操作。

标签：Convolutional,Very,残差,卷积,SRCNN,VDSR,图像,分辨,Super
来源： https://www.cnblogs.com/rainton-z/p/11907925.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。