SRCNN小结

       最近要学做一些关于低剂量重建得工作，花了两天时间专门看了一下SRCNN[1]的论文，以下是自己学习的一些总结。

    首先，SRCNN的网络结构如下：

SRCNN结构图

    SRCNN是一个用于图像图像超分辨的CNN网络，也是用CNN做超分辨的开山之作。在原文中，作者设计了一个三层的全卷积神经网络。SRCNN算法流程如下：

    1.首先对输入的低分辨率的图像使用双三次插值放大至目标尺寸。

    2.将低分辨率图像输入三层卷积神经网络。

    在SRCNN的训练过程中，作者采用平均均方差（MSE：mean squared error）来作为损失函数，并且为了在训练过程中避免边界效应，并未对图像进行填充。在训练过程中前两层的学习率设为0.0001，最后一层学习率为0.00001。在训练过程中，图片采用的是YCbCr格式的图像，并只对Y通道的图像进行超分辨处理，因此输入的通道数c=1。通过对比不同的数据集以及网络结构，作者得到如下结论。

    1.大量的数据集会对训练的结果有一定提升作用，但提升作用不像其他视觉任务那样明显。

    2.增加网络的宽度（filter数量）会显著的提升训练结果。    

    3.增加filter的size可以收集更丰富的结构信息，从而得到更好的结果。

    4.增加网络层数不会对结果有明显的提升作用，反而会增加训练的难度。

    5.在RGB图像上实现最好的效果，与单通道（Y-only）相比提升并不明显。加入CrCb反而不利于训练。