快速超分辨率重建卷积网络-FSRCNN

1.网路结构图

2.改进点

SRCNN缺点：

• SRCNN将LR送入网络前进行了双三次插值上采样，产生于真实图像大小一致的图像，会增加计算复杂度，因为插值后图像更大，输入网络后各个卷积层的计算代价会很大，从而限制了网络的整体速度。
• 非线性映射特征层的计算代价太高。

FSRCNN在这两点上进行了改进：

• FSRCNN直接采用低分辨率图像作为输入，不进行预处理图像放大，减少计算参数量
• 去除非线性映射，用相应的收缩，映射和扩展区代替
• 采用更小的滤波器和更深的网络结构
• FSRCNN在网络最后利用反卷积上采样进行复原。

具体如下；

1）特征提取：

输入改变为原始的低分辨率图像，卷积核由9*9变为5*5.

2）收缩

主要作用是降维，维度为d，由于LR的特征维度太高，会极大增加计算代价，所以采用磁层，设立1*1卷积核，维度由d降为s，s<<d。

3）映射

将SRCNN的mapping分为多个小mapping层，每层的卷积核为3*3，数目为s

4）扩展

直接使用低维高分辨率特征进行图像恢复效果太差，因此在该层设立1*1卷积核，数目为d，进行维度扩张，保持与特征提取后的维度一致。

5）反卷积

步长为k时，进行卷积图像缩小了k倍，那么进行反卷积相应的图像就会扩大k倍，此层接收高分辨率特征，输出高分辨率结果，设9*9卷积核。

6）其他

损失函数使用PReLU，避免领梯度导致的“特征死亡”，使用MSE，SGD，若数据集为Jpeg有损压缩，可以改为bmp格式。