快速超分辨率重建卷积网络-FSRCNN

阅读 87

2023-02-18


1.网路结构图

快速超分辨率重建卷积网络-FSRCNN_卷积核

2.改进点

SRCNN缺点:

  • SRCNN将LR送入网络前进行了双三次插值上采样,产生于真实图像大小一致的图像,会增加计算复杂度,因为插值后图像更大,输入网络后各个卷积层的计算代价会很大,从而限制了网络的整体速度。
  • 非线性映射特征层的计算代价太高。

FSRCNN在这两点上进行了改进:

  • FSRCNN直接采用低分辨率图像作为输入,不进行预处理图像放大,减少计算参数量
  • 去除非线性映射,用相应的收缩,映射和扩展区代替
  • 采用更小的滤波器和更深的网络结构
  • FSRCNN在网络最后利用反卷积上采样进行复原。

具体如下;

1)特征提取:

输入改变为原始的低分辨率图像,卷积核由9*9变为5*5.

2)收缩

主要作用是降维,维度为d,由于LR的特征维度太高,会极大增加计算代价,所以采用磁层,设立1*1卷积核,维度由d降为s,s<<d。

3)映射

将SRCNN的mapping分为多个小mapping层,每层的卷积核为3*3,数目为s

4)扩展

直接使用低维高分辨率特征进行图像恢复效果太差,因此在该层设立1*1卷积核,数目为d,进行维度扩张,保持与特征提取后的维度一致。

5)反卷积

步长为k时,进行卷积图像缩小了k倍,那么进行反卷积相应的图像就会扩大k倍,此层接收高分辨率特征,输出高分辨率结果,设9*9卷积核。

6)其他

损失函数使用PReLU,避免领梯度导致的“特征死亡”,使用MSE,SGD,若数据集为Jpeg有损压缩,可以改为bmp格式。

 

 

精彩评论(0)

0 0 举报