文章摘要
《Learning a Deep Convolutional Network for Image Super-Resolution》的学习。
本文深度学习的方法实现单张图的超分辨,其中深度学习是采用卷积神经网络来实现。这种方法(SRCNN)是一种端到端的作法,输入低分辨率的图像,直接输出高分辨率的图像。本文设计是一种轻量级的神经网络结构,可是它能够实现先进的恢复质量,并且可以快速在线使用。
算法模型
此图展示了SRCNN的网络结构。
- TensorFlow代码
// 主函数from model import SRCNNfrom utils import input_setup
import numpy as npimport tensorflow as tf
import pprintimport os
flags = tf.app.flagsflags.DEFINE_integer("epoch", 15000, "Number of epoch [15000]")flags.DEFINE_integer("batch_size", 128, "The size of batch images [128]")flags.DEFINE_integer("image_size", 33, "The size of image to use [33]")flags.DEFINE_integer("label_size", 21, "The size of label to produce [21]")flags.DEFINE_float("learning_rate", 1e-4, "The learning rate of gradient descent algorithm [1e-4]")flags.DEFINE_integer("c_dim", 1, "Dimension of image color. [1]")flags.DEFINE_integer("scale", 3, "The size of scale factor for preprocessing input image [3]")flags.DEFINE_integer("stride", 14, "The size of stride to apply input image [14]")flags.DEFINE_string("checkpoint_dir", "checkpoint", "Name of checkpoint directory [checkpoint]")flags.DEFINE_string("sample_dir", "sample", "Name of sample directory [sample]")flags.DEFINE_boolean("is_train", True, "True for training, False for testing [True]")FLAGS = flags.FLAGS
pp = pprint.PrettyPrinter()
def main(_): pp.pprint(flags.FLAGS.__flags)
if not os.path.exists(FLAGS.checkpoint_dir): os.makedirs(FLAGS.checkpoint_dir) if not os.path.exists(FLAGS.sample_dir): os.makedirs(FLAGS.sample_dir)
with tf.Session() as sess: srcnn = SRCNN(sess, image_size=FLAGS.image_size, label_size=FLAGS.label_size, batch_size=FLAGS.batch_size, c_dim=FLAGS.c_dim, checkpoint_dir=FLAGS.checkpoint_dir, sample_dir=FLAGS.sample_dir)
srcnn.train(FLAGS)
if __name__ == '__main__': tf.app.run()
Tensorflow完整代码:https://github.com/tegg89/SRCNN-Tensorflow
结果
双三次差值的 : PSNR=26.633759 dB
SRCNN的: PSNR=29.290147 dB
相比两种算法的PSNR,SRCNN有着明显的提升。
SRCNN的不足
- 利用Relu作为激活函数虽然速度快,但是训练的时候很”脆弱”,很容易就”die”;
- SRCNN需要先通过双三次插值的方法对低分辨率的图片插值放大尺寸。
参考文献
[1] https://zhuanlan.zhihu.com/p/49846783
[2] https://medium.com/coinmonks/review-srcnn-super-resolution-3cb3a4f67a7c
[3] http://jiaqianlee.com/2018/06/09/SRCNN/