【論文閱讀】Accelerating the Super-Resolution Convolutional Neural Network

題目：加速圖像超分辨率的卷積神經網絡    ECCV 2016 收錄

摘要：

超分辨率卷積神經網絡(SRCNN)[1,2]做爲一種成功應用於圖像超分辨率(SR)的深度模型，不管在速度仍是恢復質量上都明顯優於以往手工製做的模型。然而，高計算成本仍然阻礙了它在實際應用中對實時性能(24fps)的要求。。本文針對當前SRCNN的加速問題，提出了一種緊湊的沙漏形CNN結構，使其具備更快、更好的魯棒性。首先，咱們在網絡的末端引入一個反捲積層，而後直接從原始的低分辨率圖像(不插補)學習到高分辨率圖像的映射。其次，咱們經過在映射以前收縮輸入特徵維度，而後再展開來從新構造映射層。第三，咱們採用更小的過濾器大小，但更多的映射層。該模型的恢復速度可達40倍以上，恢復質量更優。此外，咱們還提供了參數設置，這些參數設置能夠在保持良好性能的同時在通用CPU上實現實時性能。針對不一樣放大因子的快速訓練和測試，提出了相應的遷移策略。

代碼地址：https://github.com/yifanw90/FSRCNN-TensorFlow

其餘地址：http://mmlab.ie.cuhk.edu.hk/projects/FSRCNN.html

學習地址：https://blog.csdn.net/u010327061/article/details/80092262

優勢：不須要對LR圖像進行預處理，直接進行特徵提取；在最後一層使用反捲積來擴大尺寸，獲得對應的HR圖像；LR---HR速度很快，在CPU上，能夠進行實時處理。

缺點：不一樣的放大因子都要進行訓練，雖然速度很快，但仍是不能一步到位。