【論文閱讀】Accurate Image Super-Resolution Using Very Deep Convolutional Networks

題目：使用更深的卷積網絡實現精準的圖像超分辨率     CVPR 2016 Oral  收錄

摘要：

咱們提出了一種高精度的單圖像超分辨方法，受VGG-net的體積網絡來進行圖像分類啓發，咱們的方法使用了一個很是深的卷積網絡。咱們發現，增長咱們的網絡深度代表在準確性方面有顯著提升。咱們最終的模型使用了20個權重層。經過在深度網絡結構中屢次串聯小濾波器，有效地利用了大圖像區域的上下文信息。然而，對於很是深的網絡，收斂速度成爲訓練中的一個關鍵問題。咱們提出一個簡單而有效的訓練程序。咱們只學習殘差，並使用很是高的學習率(比SRCNN[6]高10 4倍)，能夠經過自適應梯度剪裁。咱們提出的方法比現有的在精度上有更好的表現，而且咱們的結果在視覺上的改進是顯而易見的。

代碼地址：https://github.com/Jongchan/tensorflow-vdsr

代碼地址：https://github.com/twtygqyy/pytorch-vdsr

優勢：1.加深了網絡結構；2.採用了殘差學習；3.每次卷積前都對圖像進行補0操做，這樣保證了全部的特徵圖和最終的輸出圖像在尺寸上都保持一致，解決了圖像經過逐步卷積會愈來愈小的問題；4.將不一樣倍數的圖像混合在一塊兒訓練，這樣訓練出來的一個模型就能夠解決不一樣倍數的超分辨率問題。

缺點：