介绍
目前，单幅图像的超分辨率重建大多都是基于样本学习的，如稀疏编码就是典型的方法之一。这种方法一般先对图像进行特征提取，然后编码成一个低分辨率字典，稀疏系数传到高分辨率字典中重建高分辨率部分，然后将这些部分汇聚作为输出。以往的SR方法都关注学习和优化字典或者建立模型，很少去优化或者考虑统一的优化框架。 为了解决上述问题，本文中提出了一种深度卷积神经网络（SRCNN），即一种LR到HR的端对端映射，具有如下性质： ①结构简单，与其他现有方法相比具有优越的正确性，对比结果如下： ②滤波器和层的数量适中，即使在CPU上运行速度也比较快，因为它是一个前馈网络，而且在使用时不用管优化问题； ③实验证明，该网络的复原质量可以在大的数据集或者大的模型中进一步提高。 本文的主要贡献： （1）我们提出了一个卷积神经网络用于图像超分辨率重建，这个网络直接学习LR到HR图像之间端对端映射，几乎没有优化后的前后期处理。 （2）将深度学习的SR方法与基于传统的稀疏编码相结合，为网络结构的设计提供指导。 （3）深度学习在超分辨率问题上能取得较好的质量和速度。 图1展示了本文中的方法与其他方法的对比结果：
基于卷积神经网络的超分辨率
公式化
使用双三次插值将单幅低分辨率图像变成我们想要的大小，假设这个内插值的图像为Y,我们的目标是从Y中恢复图像F（Y）使之尽可能与高分辨率图像X相似，为了便于区分，我们仍然把Y称为低分辨率图像，尽管它与X大小相同，我们希望学习到这个映射函数F，需要以下三部： （1）特征提取：从低分辨率图像Y中提取patches，每个patch作为一个高维向量，这些向量组成一个特征映射，其大小等于这些向量的维度。 公式： 第一层定义为函数F1： F1(Y) = max(0,W1 ∗Y B1) 其中，W1和B1分别代表滤波器和偏差，W1的大小为c*f1*f1*n1, c 是输入图像的通道数，f1是滤波器的空间大小，n1是滤波器的数量。从直观上看，W1使用n1个卷积，每个卷积核大小为c*f1*f1。输出是n1给特征映射。B1是一个n1维的向量，每个元素都与一个滤波器有关，在滤波器响应中使用Rectified Linear Unit (ReLU,max(0,x)) （2）非线性映射： 这个操作将一个高维向量映射到另一个高维向量，每一个映射向量表示一个高分辨率patch,这些向量组成另一个特征映射。 公式： 第二步将n1维的向量映射到n2维，这相当于使用n2个1*1的滤波器，第二层的操作如下： F2(Y) = max(0,W2 ∗F1(Y) B2). 其中，W2的大小为n1*1*1n2,B2是n2维的向量，每个输出的n2维向量都表示一个高分辨率块（patch）用于后续的重建。 当然，也可以添加更多的卷积层（11的）来添加非线性特征，但会增加模型的复杂度，也需要更多的训练数据和时间，在本文中，我们采用单一的卷积层，因为它已经能取得较好的效果。 （3）重建： 这个操作汇聚所有的高分辨率patch构成最够的高分辨率图像，我们期望这个图像能与X相似。 公式： 在传统的方法中，预测的重叠高分辨率块经常取平均后得到最后的图像，这个平均化可以看作是预先定义好的用于一系列特征映射的滤波器（每个位置都是高分辨率块的“扁平”矢量形式），因此，我们定义一个卷积层产生最后的超分辨率图像： F(Y) = W3 ∗F2(Y) B3 W3的大小为n2*f3*f3*c，B3是一个c维向量。 如果这个高分辨率块都在图像域，我们把这个滤波器当成均值滤波器；如果这些高分辨率块在其他域，则W3首先将系数投影到图像域然后再做均值，无论哪种情况，W3都是一个线性滤波器。 将这三个操作整合在一起就构成了卷积神经网络，在这个模型中，所有的滤波器权重和偏差均被优化，网络结构如图2：
与基于稀疏编码方法的关系
基于稀疏编码的图像超分辨率方法也可以看作是一个卷积神经网络，如图3：
在稀疏编码方法中，假设f1f1大小的低分辨率块是从输入图像中提取的，这一小块减去它的均值，然后投影成一个低分辨率的字典，如果这个字典大小为n1，就等价于对输入图像使用n1个线性滤波器（f1f1）(减去均值也是一个线性操作，所以可以被吸收)，这部分在上图左半部分中可以看到。 接下来，稀疏编码器将n1个系数投影输出n2个系数，通常n1=n2，这n2个系数代表高分辨率块，从这个角度看，稀疏编码器表现得像一个非线性映射操作，这部分在上图中间呈现。然而，这个稀疏编码器不是前馈形式，它是一个迭代算法。相反，我们的非线性操作是前反馈的而且可以高效计算，可以认为是一个全连接层。 上述得n2个系数被投影到另一个高分辨率字典，产生一个高分辨率块，所有重叠的块取平均。这等价于对n2个特征映射的线性卷积。假设这些用于重建的高分辨率小块大小为f3*f3,则线性滤波器也有相同的大小f3*f3，看上图中的右半部分。 上述讨论展示了基于稀疏编码的SR方法可以看成是一种卷积神经网络（非线性映射不同），但在稀疏编码中，被不是所有的操作都有优化，而卷积神经网络中，低分辨率字典、高分辨率字典、非线性映射，以及减去均值和求平均值等经过滤波器进行优化，所以我们的方法是一种端对端的映射。 上述分析帮助我们决定超参数，我们设置最后一层滤波器尺寸小于第一层，这样可以更多地依赖于高分辨率块的中心部分，如果f3=1,那么中心的像素不能进行平均。一般设置n2<n1，这样可以更稀疏。典型的参数设置为f1=9, f3=5, n1=64, n2=32(在实验部分评估了更多的参数设置)
损失函数
学习端对端的映射函数F需要评估以下参数： Θ = {W1,W2,W3,B1,B2,B3}。最小化重建函数F(Y;Θ) 与对于的高分辨率图像X之间的损失，给出一组高分辨率图像 {Xi} 和对应得低分辨率图像 {Yi}，使用 均方误差（Mean Squared Error，MSE)作为损失函数：
其中，n为训练样本数，损失的最小化使用随即梯度下降法和标准的BP算法进行反向传播。 使用MSE作为损失函数有利于得到较高的PSNR值，PSNR是图像复原方法中一个常用的评价指标。
实验
数据集：为了与传统方法公平的比较，我们使用相同的训练集和测试集，训练集包含91张图像，Set5用来衡量放大因子为2，3，4的结果，Set14用来评价放大因子为3的情况，除了这91张图像，我们后续使用了更大的训练集。 对比： 将我们的SRCNN与以往的方法SC (sparse coding) 、K-SVD、NE LLE (neighbour embedding locally linear embedding) 、ANR (Anchored Neighbourhood Regression) 进行对比。 实现细节： 设置f1 = 9, f3 = 5, n1 = 64 and n2 = 32 。对于每个方法因子 ∈{2,3,4}训练一个特定的网络。 在训练过程中，真实图像{Xi}为随机从训练图像中剪裁的32*32大小的子图。为了合成低分辨率样本{Yi}，我们将子图用一个适当的高斯核进行模糊，子样本通过放大因子得到，用双三次插值以相同的因子进行放大，91张图像大约可以得到24800张子图，子图从原图像中提取，stride为14。 为了在训练中避免边界的影响，所有的卷积层都没有padding。每一层的滤波器权值初始化满足均值为0，标准差为0.001的高斯分布，偏差为0，前两层学习率为10-4，最后一层为10-5，我们发现最后一层使用更小的学习率比较容易收敛
定量评价
从表1，2中可以看到，本文提出的SRCNN在所有的实验中PSNR的平均值最大，且表1中平均PSNR比第二好的ANR分别高出0.51dB,0.47dB,0.40dB.由于Set5的数据集有限，所以结果不是决定性的。来看拥有更大数据集的Set14的结果，SRCNN的平均PSNR与其他方法相比有较大优势（>0.3dB）
进一步分析
从ImageNet中学习超分辨率： 我们从ILSVRC2013ImageNet选择295909张图像，使用步幅 stride=33分解得到5百万张子图，仍然使用上述参数，由于BP反向传播次数相同（8*10e8），所以与91张图的训练时间差不多，在Set5上放大3倍进行测试，其收敛曲线与其他方法的比较如下：
可以看到，使用相同的BP数量，SRCNN ImageNet可以达到32.52dB,高于原始的在91张图像的结果 32.39 dB ，结果表明，使用更大、更多样化的图像训练集可以进一步提高SRCNN的性能。 滤波器数量： 之前的实验中我们使用的时n1=64,n2=32，接下来我们分别对n1=128,n2=64和n1=32,n2=16分别在ImageNet中训练，在Set5的方法因子为3时进行测试，结果如下：
可以看出，随着滤波器数量的增加，实验的结果会越好。但如果你期望一个较快的复原速度，就可以使用小规模的网络结构，实验效果也比之前的方法好。 滤波器大小 在之前的实验中，f1 = 9 ，f3 = 5；接下来将 f1 = 11 ，f3 = 7，其他参数均不变来进行实验，得到的PSNR为32.57dB,比之前的32.57dB稍微高了一点， 也就是说滤波器越大，就能获得越多的结构信息，也会得到更好的实验结果，但时间更长。因此，网络规模的选择往往是时间和性能的权衡。
结论
我们提出了一种新的深度学习方法用于单幅图像的超分辨率重建，传统的基于稀疏编码的方法可以看作一个深的卷积神经网络。本文提出的SRCNN方法是一种在LR和HR图像之间的端对端映射，在优化时几乎不需要额外的预处理和后处理，结构也比较简单，比以往的方法都要好。我们推测，通过在网络中探索更多的隐藏层/过滤器以及不同的训练策略，可以进一步提高性能。此外，该结构简单且鲁棒性强，能运用到低水平的视觉问题中，例如图像去模糊、同步SR 去噪。同时，该网络结构可以处理不同的放大因子。来看几个实验结果：
