漫谈深度学习在Super Resolution(超分辨率)领域上的应用
接触到一个挺好玩的领域——Super Resolution(SR),这个方向做的事情是给你一张低分辨率的小图(Low Resolution,LR),你通过算法将这张LR放大成一张高分辨率的大图(High Resolution,HR)。这个事情乍一听挺简单的,普通的插值算法即可胜任,其实大有玄机,主要的难点在于细节的恢复,如下两张图,第一张图是原图,第二张图是将原图进行3倍下采样后,用Bicubic插值算法[1]进行SR恢复的图像,从图像整体来看,第二张图比第一张图要显得糊一些,如果将蝴蝶的翅膀纹路放大看可以发现,第二张图的细节已经很不清晰,纹路间的边缘已经模糊。这正是SR这个方向所面临的挑战。 1).原图 (2).用Bicubic算法做SR图像 SR这个领域在深度学习之前就已经大量优秀的研究工作,如Sparse Code(SC),A+等,他们各自效果如图3-5所示。篇幅所限,本文暂不讨论传统SR算法,本文主要聊聊基于深度学习的SR相关算法。 (3).原图 (4).基于SC的SR图像 (5).基于A+的SR图像 说到基于深度学习的SR工作,肯定得提起“开山鼻祖”——SRCNN,SRCNN...