vdsr(accurate image super-resolution using very deep convolutional networks)閱讀筆記
1、**位址：
2、github上tensorflow**：
github上pytorch**：
3、**介紹
3.1、srcnn的缺點
3.2、解決方法
3.3、vdsr網路
使用20層卷積，每次的卷積核都為3✖3乘以64，為了避免每次卷積結束後所得到的變小，使得在進行多次卷積之後太小，所以每次在卷積之前都會先將周圍補0，使得該與原來的大小相同。實驗證明這個方法對於實驗結果始有幫助的。
3.4、殘差學習
由於低解析度的和高解析度的在在很大程度上都是相似的，srcnn像是在訓練乙個編碼器啊，因此會消耗大量的時間，這個**通過訓練殘差，減少了訓練的時間。
loss =1/2（ y-x-f（x）） y表示高解析度，x便是低解析度 殘差r = y-x 。
3.5學習率改變
使用較大的學習率，這樣可以加快迭代所需的時間，但是會導致梯度**，因此引入了可調整的梯度下滑，將梯度限制在乙個範圍之內。限制梯度在[-0/r，0/r]之間r便是當前的學習率。
3.6、多個scale
同時使用多個不同scale的進行訓練，使得網路可以得到不同大小的。
3.7、**介紹
未完待續。。。
超解析度參考
數字影象的儲存 影象四種型別 按照顏色 灰度劃分 影象超解析度及相關知識 簡介 超解析度知識筆記 學習筆記之 基於深度學習的影象超解析度重構 帶打包 兩篇乾貨滿滿的csdn博文 從srcnn到edsr，總結深度學習端到端超解析度方法發展歷程 影象超分辨之zssr 基於dl的超解析度 去噪近幾年 一篇...
DRRN超解析度
全名 image super resolution via deep recursive residual network code 這是一篇cvpr2017的關於影象超解析度的文章，相較於vdsr取得了更好的結果，從結構上看，還是之前的基調，更深的網路結構 52層 同時採取了遞迴操作，遞迴模組中存...
超解析度重建總結
1.srcnn 2,3改進 開山之作，三個卷積層，輸入影象是低解析度影象經過雙三次 bicubic 插值和高解析度乙個尺寸後輸入cnn。影象塊的提取和特徵表示，特徵非線性對映和最終的重建。使用均方誤差 mse 作為損失函式。2.fsrcnn 特徵提取 低解析度影象，選取的核9 9設定為5 5。收縮 ...