超分算法ESPCN：Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel亚像素卷积

这篇文章推出了一种具有 亚像素 卷积 层结构的SR 算法 —— ES PC N；相比于SR CNN 直接对HRHRHR领域像素做 卷积 ， ES PC N是直接对输入LRLRLR像素做特征提取，在当时来说，可以算是一种提高计算效率的有效途径。 参考文档： Real - Time Single Image and Video Super - Resolution Using an E ffi cient Sub - Pixel Convolutional Neural NetworkAbstract1 Introduction2 Method2.1.

cvpr2016 论文下载： Real - Time Single Image and Video Super - Resolution Using an E ffi cient Sub - Pixel Convolutional Neural Network 代码：https://github.com/leftthomas/ ES PC N ES PC N的核心概念是 亚像素 卷积 层( sub - pixel convolutional layer)。网络的输入是原始低分辨率图像，通过三个 卷积 层以后，得到通道数为放大倍数的立方的与输

题目： Real - Time Single Image and Video Super - Resolution Using an E ffi cient Sub - Pixel Convolutional Neural Network 近年来，基于深度 神经网络 的几种模型在单图像 超分 辨率的重建精度和计算性能方面都取得了巨大的成功。在这些方法中，在【缺点】重建之前，使用单个滤波器（通常是双三次插值）将低分辨率（LR）输入图像放大到高分辨率（HR）空间。这意味着在HR空间中执行 超分 辨率（SR）操作。我们证明这不是最好的

亚像素 卷积 层是一种替代反 卷积 层的方法。在使用反 卷积 层时，我们需要先对输入进行上采样，然后再进行 卷积 操作。而在 亚像素 卷积 层中，我们可以将 卷积 操作和上采样操作合并在一起。这种方法可以减少计算量，并且可以减少空间上的不连续性。 具体地说， 亚像素 卷积 层将输入张量转换为一个更大的张量，并且将每个像素值分解成多个子像素。每个子像素都与原始输入张量中的一个像素相对应。然后，我们将这些子像素输入到 卷积 层中进行 卷积 操作。最后，我们将 卷积 结果重构为一个更大的张量，并且将每个子像素合并成一个像素。 使用 亚像素 卷积 层可以改善图像分割和图像生成任务的性能，并且可以减少模型的计算量。因此， 亚像素 卷积 层是一种有用的 卷积 层替代方案。