深度学习用于图像超分辨率重建之ESPCN——超分辨率(七)_espcn超分辨率
丰富的网上学习资料存在很多,然而如果所学的知识缺乏系统性,在遇到问题时往往停留在表面理解,并不进行深入探究的情况下,则难以实现真正的技术突破.
一个人走得快,但是集体的力量能让大家走得更远!无论是已经在这个领域深耕的老 Bird 还是刚开始对 IT 行业充满热情的新手,都欢迎加入我们的圈子(技术交流·学习资源·职场吐槽·大厂内推·面试辅导),让我们一起学习成长!
I^{L R}
ILR，我们首先使用高斯滤波器卷积
I
H
R
I^{H R}
IHR，从而模拟相机的点扩展函数，然后将图像下采样r倍。一般来说，
I
L
R
I^{L R}
ILR和
I
H
R
I^{H R}
两个IHR各自具有C个颜色通道，并因此被分别表示为大小分别为H×W×C和rH×rW×C的真值张量。
为了解决SISR问题，提出的SRCNN从
I
L
R
I^{L R}
ILR的放大和内插版本中恢复，而不是从
I
L
R
I^{L R}
ILR中恢复。为了恢复
I
S
R
I^{S R}
ISR, 采用了三层卷积网络结构。在本节里, 我们提出了新的网络架构设计, 如图1所示, 旨在通过...来消除...的影响。
I
L
R
I^{L R}
在进入网络前进行ILR处理，在我们的体系架构中首先将l层卷积神经网络直接连接到LR输入图像上；随后，在对低分辨率特征图进行放大后并结合亚像素卷积层提取高分辨率特征以便生成最终输出
I
S
R
I^{S R}
ISR。
对于一个有L层组成的网络，首先L-1层可以如下描述：
f
1
(
I
L
R
;
W
1
,
b
1
)
=
ϕ
(
W
1
∗
I
L
R
b
1
)
f
l
(
I
L
R
;
W
1
:
l
,
b
1
:
l
)
=
ϕ
(
W
l
∗
f
l
−
1
(
I
L
R
)
b
l
)
\begin{aligned}
f_1\left(\mathbf{I}{L R}; W_1, b_1\right) &= \phi(W_1 \cdot \mathbf{I}{L R} + b_1) \
f_l\left(\mathbf{I}{L R}; W{1:l}, b_{1:l}\right) &= \phi(W_l \cdot f_{l-1}\left(\mathbf{I}_{L R}\right) + b_l)
\end{aligned}
f1(ILR;W1,b1)fl(ILR;W1:l,b1:l)=ϕ(W1∗ILR+b1)=ϕ(Wl∗fl−1(ILR)+bl)
其中
W
l
,
b
l
,
l
∈
(
1
,
L
−
1
)
W_l , b_l , l\in(1, L − 1)
Wl,bl,l∈(1,L−1)分别是学习网络的权值和偏差，
W
l
W_l
Wl是一个大小为
n
l
−
1
丰富网络资源存在多样性特征
想要这份详细资料的朋友，请点击这里获取
单兵作战效率极高,但集体合作才能取得更大的成就.无论你是IT行业的资深从业者还是新兴领域的爱好者,都欢迎加入我们的技术交流群（涵盖技术分享、学习资源、职场交流、大厂内推及面试辅导）,让我们共同进步吧！
L
−
1
)
W_l , b_l , l\in(1, L − 1)
Wl,bl,l∈(1,L−1)分别是学习网络的权值和偏差，
W
l
W_l
Wl是一个大小为
n
l
−
1
[外链图片转存中…(img-crgLslU6-1715884344287)]
[外链图片转存中…(img-OiViC2UY-1715884344287)]
丰富的网上学习资源浩如烟海。然而，在没有系统性的情况下所学知识容易零散，在遇到问题时往往只能进行浅层次接触而无法深入探究，则难以实现实质性的技术进步。
想要一套全面的专业资料的朋友，请通过点击此处访问提供的链接地址
一个人能够走得很快；但是一群人走才能更远。无论你是IT行业在工作多年的资深从业者还是对IT行业充满热情的新手从业者；我们都热忱欢迎你的加入！让我们一起在技术交流群中分享经验，在学习资源库中获取知识，在职场吐槽区释放压力，在大厂内推中积累人脉，在面试辅导班中提升自我！