0 前言

超分辨率技术（Super Resolution,SR)是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都拥有着重要的应用价值。

1 SRCNN

SRCNN是深度学习用在超分辨率重建上的开山之作。
其结构十分简单，仅仅只用了三个卷积层，结构如下：

在原文中，作者首先使用双三次插值方法对低分辨率图像进行缩小和放大，得到处理后的低分辨率图像（预处理）。

• 输入：处理后的低分辨率图像 $Y$
• 卷积层1：kernelSize为 $9\times 9$
• 卷积层2：kernelSize为 $1\times 1$
• 卷积层3：kernelSize为 $5\times 5$
• 输出：高分辨率图像

作者对于这三层卷积层的解释：

1. 特征块提取和表示：此操作从低分辨率图像 $Y$ 中提取（重叠）特征块，并将每个特征块表示为一个高维向量。这些向量包括一组特征图，其数量等于向量的维数。
2. 非线性映射：该操作将每个高维向量非线性映射到另一个高维向量。每个映射向量在概念上都是高分辨率特征块的表示。这些向量同样包括另一组特征图。
3. 重建：该操作聚合上述高分辨率patch-wise（介于像素级别和图像级别的区域）表示，生成最终的高分辨率图像。

激活函数：ReLU。
损失函数：MSE（均方误差）。原因可获得高PSNR。
PSNR：一种广泛使用的用于定量评估图像恢复质量的指标。

2 code

双三次插值：
可直接使用PIL中的 .resize函数，resample=PIL.Image.BICUBIC

SRCNN网络模型：

from torch import nn


class SRCNN(nn.Module):
    def __init__(self, inputChannel, outputChannel):
        super(SRCNN, self).__init__()
        self.conv = nn.Sequential(
             nn.Conv2d(inputChannel, 64, kernel_size=9, padding=9 // 2),
             nn.ReLU(inplace=True),
             nn.Conv2d(64, 32, kernel_size=1）,
             nn.ReLU(inplace=True),
             nn.Conv2d(32, outputChannel, kernel_size=5, padding=5 // 2),
        )

    def forward(self, x):
        out = self.conv(x)
        return out

3 训练与测试

在 91-image_x2数据集上进行了5次训练，得到模型，在Set_x2验证集上的psnr:35.35.

测试结果

• Original:
  
  

• Bicubic_x2:
  
  
  psnr：27.50

• SRCNN_x2:
  
  

psnr:29.33

不知道为什么测试的效果有点差

---

https://zhuanlan.zhihu.com/p/31664818
http://personal.ie.cuhk.edu.hk/~ccloy/files/eccv_2014_deepresolution.pdf
https://blog.csdn.net/BingY_998/article/details/122179101