Learning a Deep Convolutional Network for Image Super-Resolution(泛读)

本文主要是介绍Learning a Deep Convolutional Network for Image Super-Resolution(泛读)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一.文献名字和作者

Learning a Deep Convolutional Network for Image Super-Resolution， ECCV2014

二.阅读时间

2014年10月16日

三.文献的贡献点

作者提出了使用CNN来进行图像超分辨率重构，作者分析了超分辨率的主要过程，通过数学表示证明了超分辨重构的每一个步骤都是一个卷积的过程，因此，可以考虑使用CNN进行图像的超分辨率重构。同时，作者也说明了传统了的使用稀疏表示进行超分辨率重构也类似于一种CNN结构。

作者在进行超分辨率重构的过程中，首先将低分辨率图像进行插值，将分辨率放大到和高分辨率图像相同大小的水平，然后使用CNN进行细节内容的补充(如果只看标题的话，我的想法是直接使用原始低分辨率图像作为输入，经过CNN之后输出高精度图像，结果证明我还是太年轻了)。这篇文章的创新点在于从高分辨率重构的流程上面说明了低分辨率图像块提取和特征表示、非线性映射、重构这三个过程都可以用卷积操作表示，因此，使用CNN进行超构是可行的(估计这个就是这篇文章为什么会在顶会出现的原因，从数学上说明了选择什么DL结构的文章，第一次看到)。作者在说明稀疏表示与CNN的关系的时候，只是简单地说明，并没有过多的数学证明。