深度学习在超分辨率重建SR领域的发展过程从SRCNN（ECCV14）-CameraSR(CVPR19)

本文主要是介绍深度学习在超分辨率重建SR领域的发展过程从SRCNN（ECCV14）-CameraSR(CVPR19)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

@[toc]
帮助新手快速上路的网址和工具
从2014的SRCNN到2019的CameraSR优秀论文集结
实验过程中的常用MATLAB代码整理
SR领域期刊和会议整理

图像超分辨率重建之路的学习与经验总结。
**本文由四部分组成：（1）帮助新手快速上手的网址和工具；（2）从始至今的SR领域优秀论文整理；（3）常用的代码；（4）SR领域期刊和会议整理 **
单一图像超分辨率重建（SISR ）是典型的计算机视觉问题，它的目标是从低分辨率图像中恢复出高分辨率图像。这是一个很困难的事情，因为一副低分辨图像对应多张高分辨图像，（an infinite number of HR images can get the same LR image by downsampling.）要让网络结构准确的恢复出其对应的高分辨率图片是很困难的。
目前已有大量的SISR方法被提出，包括基于插值的方法（interpolation-based methods），基于重构的方法（reconstruction-based methods）和基于学习的方法（ example-based methods）。近几年，受计算机视觉任务的启发，DL在SR领域也取得了重大突破，硕果累累。从 2014年Dong等人率先提出基于卷积神经网络的超分辨率重建方法，即SRCNN，接着就出现了各种各样的基于神经网络的超分辨率重建算法。

帮助新手快速上路的网址和工具

超分科研上手常用工具

从2014的SRCNN到2019的CameraSR优秀论文集结

SRCNN （ECCV14）
Depth: 3
- 这是超分领域第一篇使用CNN的文章；
- end-to-end的模式，image在送入网络之前就使用“双三次插值”对图片进行了上采样，让图片变大到目标大小。
- 这样做的优点：图片在送入网络之前进行上采样，放大了。这样网络可学习的信息增加了；
- 缺点：在上采样的过程中可能会引入噪声，这样会影响网络的性能
论文SRCNN PDF
code(Learning a Deep Convolutional Network for Image Super-Resolution, ECCV2014）
FSRCNN (ECCV16 )
Depth: 8
（1）：在SRCNN的基础上进行了改进，得到了一个更加快速的参数更少的模型；网络中使用1×1卷积进行压缩，后期再使用1*1的卷积对网络进行扩增，此外还使用2个3×3的卷积代替SRCNN中的5×5的卷积，以上操作大大降低了网络参数；
（2）：网络中使用反卷积对图像进行上采样；
论文FSRCNN PDF
项目链接（Accelerating the Super-Resolution Convolutional Neural Network, ECCV2016）

在这里插入图片描述

ESPCN （CVPR16）-- 一种新的上采样方式
Depth: 3
亚像素卷积：本文提出了一种新的上采样方式，与以往的双三次插值，反卷积不同的是，亚像素卷积是通过通道扩增和像素点重排来实现的图像放大，比如放大r倍，则亚像素卷积层的输出必须是r²个长和宽都扩大r倍，整张图就放大了r倍；
*论文
Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network，CVPR2016
*代码
TensorFlow
caffe
VDSR （CVPR16）
Depth: 20
20层参数设置一样的卷积层，主要亮点是对网络模型进行了加深；其次提出了skip-connection；使用梯度裁剪的优化方式；网络的训练图像是使用在预处理时使用双三次插值将图片放大送入大图到网络中；
*论文 VDSR PDF
*项目链接(Accurate Image Super-Resolution Using Very Deep Convolutional Networks, CVPR2016)
*caffe-VDSR
*TensorFlow-VDSR
*pytorch-VDSR