FSRCNN：加速SRCNN模型.

• paper：Accelerating the Super-Resolution Convolutional Neural Network
• arXiv：link

作者旨在修改SRCNN模型，主要考虑三个方面：

1. 引入转置卷积deconvolution进行分辨率放大，取代了传统方法（如bicubic插值）；
2. 把非线性映射层拆解为压缩、映射和扩张层；
3. 使用更小的卷积核，增加映射层数。

修改后的FSRCNN模型加速了超分辨率图像生成速度，并没有影响精度。

模型介绍

FSRCNN主要由五部分组成，其中卷积操作的格式为$Conv(kernel size, output channel, input channel)$。

1. Feature extraction：使用卷积提取特征；
2. Shrinking：压缩通道数；
3. Mapping：非线性映射；
4. Expanding：扩张通道数；
5. Deconvolution：通过转置卷积增加分辨率。

当选择不同的超分辨率倍数时，转置卷积层之前的层可以共享权重，从而简化了训练难度：

FSRCNN模型与SRCNN模型的比较：

实验分析

实验设置：

• 训练集：91-image dataset, General-100（本文提出）
• 测试集：Set5, Set14, BSD200
• 评估指标：PSNR, SSIM

作者对不同超参数进行了对比试验，包括特征通道数$d$、压缩特征通道数$s$($s«d$)、映射卷积层数$m$：

作者展示了转置卷积学习到的卷积核：

实验结果如下：