paper 地址：http://personal.ie.cuhk.edu.hk/~ccloy/files/eccv_2014_deepresolution.pdf
圖像超分辨率重建
把一張 低分辨率圖像(low resolution) 通過一定的算法 轉換成 高分辨率圖像(high resolution)；
在 深度學習 之前，有很多 傳統方法 可以解決該問題，如 插值，但是效果一般；
SRCNN 是第一個 把 深度卷機網絡 用於該任務的 深度學習模型，故被稱為 圖像超分辨率重建的 鼻祖；
可喜的的是 作者 有我們的國人 何凱明大神；
SRCNN 網絡結構
作者認為，既然能夠通過一定的算法提高圖像分辨率，那么 低分辨 與高分辨 之間 一定有 “共通的特性”；
就是這么簡單的假設，作者設計了 SRCNN；這里我想說的是，模型到底是什么不重要，重要的是 作者為什么 能設計這樣的模型；
該模型的網絡結構非常簡單，只有 3 層卷積，如下圖
第一層：對 低分辨率圖像進行 特征提取，原文 9 x 9 x 64卷積核
第二層：對特征進行非線性映射，原文 1 x 1 x 32卷積核
第三層：對 映射后的特征進行重建，生成高分辨率圖像，原文 5 x 5 x 1卷積核
// 生成 單通道圖像，故c=1，與 輸入保持一致
訓練與測試
訓練過程：在 高分辨率圖像 上隨機截取 patch，先進行降采樣(目的是降低分辨率)，再進行升采樣(模型需要，輸入尺寸固定)，以此作為模型輸入，label 是 截取的 patch，loss 為 逐像素 mes；
測試過程：先通過 插值等方式 降低分辨率，然后喂給模型
總結
既然是 鼻祖，肯定不完美，有很多改進版，以后再說
參考資料：