SRCNN-图像超分辨率的学习，如何实现长尾词效果？

2026-04-01 06:461阅读0评论SEO资源

内容介绍
文章标签
相关推荐

本文共计643个文字，预计阅读时间需要3分钟。

文章摘要：《Learning a Deep Convolutional Network for Image Super-Resolution》学习了一种深度卷积网络进行图像超分辨率的方法。该方法利用深度学习实现单张图像的超分辨率，其中深度学习采用卷积神经网络来提升图像质量。这种技术（SRCNN）是一种深度学习方法。

文章摘要

《Learning a Deep Convolutional Network for Image Super-Resolution》的学习。
本文深度学习的方法实现单张图的超分辨，其中深度学习是采用卷积神经网络来实现。这种方法（SRCNN）是一种端到端的作法，输入低分辨率的图像，直接输出高分辨率的图像。本文设计是一种轻量级的神经网络结构，可是它能够实现先进的恢复质量，并且可以快速在线使用。

算法模型

此图展示了SRCNN的网络结构。

TensorFlow代码

// 主函数from model import SRCNNfrom utils import input_setup
import numpy as npimport tensorflow as tf
import pprintimport os
flags = tf.app.flagsflags.DEFINE_integer("epoch", 15000, "Number of epoch [15000]")flags.DEFINE_integer("batch_size", 128, "The size of batch images [128]")flags.DEFINE_integer("image_size", 33, "The size of image to use [33]")flags.DEFINE_integer("label_size", 21, "The size of label to produce [21]")flags.DEFINE_float("learning_rate", 1e-4, "The learning rate of gradient descent algorithm [1e-4]")flags.DEFINE_integer("c_dim", 1, "Dimension of image color. [1]")flags.DEFINE_integer("scale", 3, "The size of scale factor for preprocessing input image [3]")flags.DEFINE_integer("stride", 14, "The size of stride to apply input image [14]")flags.DEFINE_string("checkpoint_dir", "checkpoint", "Name of checkpoint directory [checkpoint]")flags.DEFINE_string("sample_dir", "sample", "Name of sample directory [sample]")flags.DEFINE_boolean("is_train", True, "True for training, False for testing [True]")FLAGS = flags.FLAGS
pp = pprint.PrettyPrinter()
def main(_): pp.pprint(flags.FLAGS.__flags)
if not os.path.exists(FLAGS.checkpoint_dir): os.makedirs(FLAGS.checkpoint_dir) if not os.path.exists(FLAGS.sample_dir): os.makedirs(FLAGS.sample_dir)
with tf.Session() as sess: srcnn = SRCNN(sess, image_size=FLAGS.image_size, label_size=FLAGS.label_size, batch_size=FLAGS.batch_size, c_dim=FLAGS.c_dim, checkpoint_dir=FLAGS.checkpoint_dir, sample_dir=FLAGS.sample_dir)
srcnn.train(FLAGS)
if __name__ == '__main__': tf.app.run()

Tensorflow完整代码：github.com/tegg89/SRCNN-Tensorflow

结果

双三次差值的： PSNR=26.633759 dB

SRCNN的： PSNR=29.290147 dB

相比两种算法的PSNR，SRCNN有着明显的提升。

SRCNN的不足

利用Relu作为激活函数虽然速度快，但是训练的时候很”脆弱”，很容易就”die”；
SRCNN需要先通过双三次插值的方法对低分辨率的图片插值放大尺寸。

参考文献

[1] zhuanlan.zhihu.com/p/49846783

[2] medium.com/coinmonks/review-srcnn-super-resolution-3cb3a4f67a7c

[3] jiaqianlee.com/2018/06/09/SRCNN/

标签：学习文章摘要《