【论文阅读】Learning a Deep Convolutional Network for Image Super-Resolution

题目：学习深度卷积神经网络实现图像超分辨率                     ECCV    2014   收录

摘要：

咱们提出了一种单张图像超分辨率(SR)的深度学习方法。咱们的方法直接学习低/高分辨率图像之间的端到端映射。该映射表示为一个深卷积神经网络(CNN)[15]，它以低分辨率图像为输入输出高分辨率图像。咱们进一步证实了传统的稀疏编码SR方法也能够看做是一个深度卷积网络。但不一样于传统的方法去单独处理每一个组件，咱们的方法联合优化全部层。咱们的深度CNN是一个轻量级的架构，展现了最早进的修复质量，并实现了快速的在线应用。

-----------------------------------------

代码地址：https://github.com/tegg89/SRCNN-Tensorflow                   基于TensorFlow

其余地址：http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html            基于matlab和caffe

-----------------------------------------

优势：网络结构十分简单，仅仅用了三个卷积层，框架在选择参数时很灵活，能够采用四层或更多层，更大的过滤尺寸来进一步提升性能。

缺点：SRCNN针对的是单个尺度因子进行训练，若是须要新的规模，则必须对新模型进行训练。特征提取只用了一层卷积层，存在着感觉野较小的问题，提取出来的特征是很是局部的特征，细节没法恢复出来。

-----------------------------------------