【论文阅读】Accelerating the Super-Resolution Convolutional Neural Network

题目：加速图像超分辨率的卷积神经网络    ECCV 2016 收录

摘要：

超分辨率卷积神经网络(SRCNN)[1,2]做为一种成功应用于图像超分辨率(SR)的深度模型，不管在速度仍是恢复质量上都明显优于以往手工制做的模型。然而，高计算成本仍然阻碍了它在实际应用中对实时性能(24fps)的要求。。本文针对当前SRCNN的加速问题，提出了一种紧凑的沙漏形CNN结构，使其具备更快、更好的鲁棒性。首先，咱们在网络的末端引入一个反卷积层，而后直接从原始的低分辨率图像(不插补)学习到高分辨率图像的映射。其次，咱们经过在映射以前收缩输入特征维度，而后再展开来从新构造映射层。第三，咱们采用更小的过滤器大小，但更多的映射层。该模型的恢复速度可达40倍以上，恢复质量更优。此外，咱们还提供了参数设置，这些参数设置能够在保持良好性能的同时在通用CPU上实现实时性能。针对不一样放大因子的快速训练和测试，提出了相应的迁移策略。

代码地址：https://github.com/yifanw90/FSRCNN-TensorFlow

其余地址：http://mmlab.ie.cuhk.edu.hk/projects/FSRCNN.html

学习地址：https://blog.csdn.net/u010327061/article/details/80092262

优势：不须要对LR图像进行预处理，直接进行特征提取；在最后一层使用反卷积来扩大尺寸，获得对应的HR图像；LR---HR速度很快，在CPU上，能够进行实时处理。

缺点：不一样的放大因子都要进行训练，虽然速度很快，但仍是不能一步到位。