超分辨率重建之VDSR
2017-08-23 21:43
211 查看
VDSR
SRCNN存在三个问题需要进行改进:1、依赖于小图像区域的内容;2、训练收敛太慢;3、网络只对于某一个比例有效。
VDSR模型主要有以下几点贡献:1、增加了感受野,在处理大图像上有优势,由SRCNN的13*13变为41*41。2、采用残差图像进行训练,收敛速度变快,因为残差图像更加稀疏,更加容易收敛(换种理解就是lr携带者低频信息,这些信息依然被训练到hr图像,然而hr图像和lr图像的低频信息相近,这部分花费了大量时间进行训练)。3、考虑多个尺度,一个卷积网络可以处理多尺度问题。
网络结构如下图所示:
![](http://img.blog.csdn.net/20170823214336098)
训练的策略:1、才用残差的方式进行训练,避免训练过长的时间。2、使用大的学习进行训练。3、自适应梯度裁剪,将梯度限制在某一个范围,本文采用自适应梯度方法,将梯度限制在
![](http://img.blog.csdn.net/20170823214336708)
,其中
![](http://img.blog.csdn.net/20170823214337061)
是学习率。4、多尺度,多种尺度样本一起训练可以提高大尺度的准确率。
对于边界问题,由于卷积的操作导致图像变小的问题,本文作者提出一个新的策略,就是每次卷积后,图像的size变小,但是,在下一次卷积前,对图像进行补0操作,恢复到原来大小,这样不仅解决了网络深度的问题,同时,实验证明对边界像素的预测结果也得到了提升。
参考:
论文全名:Accurate Image Super-Resolution Using Very Deep Convolutional Networks
下载地址:https://pan.baidu.com/s/1ge2pCWF
code:https://github.com/huangzehao/caffe-vdsr
vdsr训练集和测试集
SRCNN存在三个问题需要进行改进:1、依赖于小图像区域的内容;2、训练收敛太慢;3、网络只对于某一个比例有效。
VDSR模型主要有以下几点贡献:1、增加了感受野,在处理大图像上有优势,由SRCNN的13*13变为41*41。2、采用残差图像进行训练,收敛速度变快,因为残差图像更加稀疏,更加容易收敛(换种理解就是lr携带者低频信息,这些信息依然被训练到hr图像,然而hr图像和lr图像的低频信息相近,这部分花费了大量时间进行训练)。3、考虑多个尺度,一个卷积网络可以处理多尺度问题。
网络结构如下图所示:
训练的策略:1、才用残差的方式进行训练,避免训练过长的时间。2、使用大的学习进行训练。3、自适应梯度裁剪,将梯度限制在某一个范围,本文采用自适应梯度方法,将梯度限制在
,其中
是学习率。4、多尺度,多种尺度样本一起训练可以提高大尺度的准确率。
对于边界问题,由于卷积的操作导致图像变小的问题,本文作者提出一个新的策略,就是每次卷积后,图像的size变小,但是,在下一次卷积前,对图像进行补0操作,恢复到原来大小,这样不仅解决了网络深度的问题,同时,实验证明对边界像素的预测结果也得到了提升。
参考:
论文全名:Accurate Image Super-Resolution Using Very Deep Convolutional Networks
下载地址:https://pan.baidu.com/s/1ge2pCWF
code:https://github.com/huangzehao/caffe-vdsr
vdsr训练集和测试集
相关文章推荐
- 基于邻域嵌入的超分辨率重建
- 超分辨率重建最新算法总结
- 基于CNN的超分辨率重建方法_2016 review
- 超分辨率重建之SRCNN
- 超分辨率重建——关于多尺度结构相似性
- 超分辨率重建——关于YIQ空间
- 超分辨率重建之DRCN
- 深度学习用于图像超分辨率重建的经典paper汇总(3)
- 用一个玩具例子说明基于视频的超分辨率重建的基本思想
- 超分辨率重建——病态、单应矩阵、高斯权重
- 超分辨率重建——图像伪迹、伪像
- 超分辨率重建——邻近算法Nearest Neighbor
- 超分辨率重重建——流形学习
- 超分辨率重建之FSRCNN
- 超分辨率图像重建技术笔记
- 超分辨率重建——超采样与欠采样
- 基于CNN的超分辨率重建方法
- 基于感知损失函数的实时风格转换和超分辨率重建
- 超分辨率重建之EDSR&MDSR
- 【超分辨率】VDSR--Accurate Image Super-Resolution Using Very Deep Convolutional Networks