SRCNN

超分的開篇之作，2014 ECCV 港中文 Chao Dong

三層網絡，文中還對各層網絡的意義做出了解釋

使用caffe訓練模型，matlab做inference，代碼見 http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html 

700*700像素的圖重建出來需要30s+，效果還是比較朦朧

 

可以用自己的圖片做一下直觀了解

path = 'E:\Download\超分辨率\test\test';

list = dir(path);
for i1 = 1: size(list,1)
    name = list(i1).name;
    if name == '.'
        continue;
    end
    fullName = fullfile(path, name);
    demo_SR(fullName);   % 需要把作者的demo源文件改為function
end

　　

評估方法

計算PSNR、SSIM，計算的方式可以參見VDSR的matlab代碼

常用評估數據集 set5，set14，B100，urban100，之后的新paper，還用了manga109、部分DIV2K等

 

 

用二維坐標表示性能也相當直觀

 

 

缺點：

1、Works for only a single scale
2、卷積感受野太小
3、學習速率 1e-5 太慢，需要加快訓練速度。而且inference的速度也比較慢

 

如何訓練model

 

關於訓練數據的說明：

For a fair comparison with traditional example-based methods, we use the same training set, test sets, and protocols as in [20]. Speci cally, the training set consists of 91 images. The Set5 [2] (5 images) is used to evaluate the performance of upscaling factors 2, 3, and 4, and Set14 [28] (14 images) is used to evaluate the upscaling factor 3. In addition to the 91-image training set, we also investigate a larger training set in Section 5.2. 

 

Anchored Neighborhood Regression for Fast Example-Based Super-Resolution

http://www.vision.ee.ethz.ch/~timofter/ICCV2013_ID1774_SUPPLEMENTARY/index.html

而cvpr2018的SR文章使用的訓練集，基本就是比較大的數據集了，其實選什么都可以的，只要不包含test data即可。

DIV2K consists of 800 training images, 100 validation images, and 100 test images. We train all of our models with 800 training images and use 5 validation images in the training process. For testing, we use five standard benchmark datasets: Set5 [1], Set14 [33], B100 [18], Urban100 [8], and Manga109 [19]. The SR results are evaluated with PSNR and SSIM [32] on Y channel (i.e., luminance) of transformed YCbCr space.

 整理了SRCNN的訓練數據 91，測試數據集 set5，set14，B100，urban100

 鏈接: https://pan.baidu.com/s/1f5CrntYV2RgsAVoDx3hvUg 提取碼: jv2f 復制這段內容后打開百度網盤手機App，操作更方便哦

 

keras版本的模型訓練代碼，可以參考一下 

https://github.com/DeNA/SRCNNKit/tree/master/script

使用misc縮放圖片，處理圖片，獲得網絡的訓練數據

建立網絡，使用generator產生batch來訓練網絡

 

VDSR 

CVPR 2016 首爾大學

https://cv.snu.ac.kr/research/VDSR/