高性能图像放大算法——waifu2x方法

本是古典何须时尚 2022-05-23 07:17 299阅读 0赞

# 1. 前言 #

在前面的博客中介绍了hqx图像放大算法，其图像放大的效果是好于传统的双线性插值、三次插值算法的。但是在图像放大倍数较高的时候图像中的边缘还是存在锯齿的现象。但是其也有很明显的优点，那就是速度快。  
在本文中主要讨论的是waifu2x方法。该方法的**思想**：即是训练一个端到端的网络，使用低分辨率的图像作为输入得到对应的高分辨率结果图像，最后得到的结果在图像的锯齿与模糊程度有较好表现，其训练的原理类似于FCN模型。该方法支持三通道的彩色图像作为输入，输出其经过放大的结果。下面是论文中的结果图：  
![这里写图片描述][70]  
SRCNN（Super-Resolution Convolutional Neural Network）在PSNR性能评价指标上是好于双三次插值算法与基于稀疏编码的方法的。

# 2. 具体实现思路 #

## 2.1 构想 ##

将一幅低分辨率的图像使用双三次插值进行放大得到图像Y，使其与对应分辨率的ground truth图像X有相同的大小尺寸，现在就是要寻找到F(Y)变换关系使得其与X尽可能的相似。因而可以将其分为三步走：  
1. 图像区块提取与表示：这一步就是使用一个窗在图像中进行截取，之后通过运算之后得到一个高维的特征向量。  
2. 非线性映射：将高维的特征向量映射到另外一个高维的特征向量  
3. 重建：产生与ground truth近似的结果  
其构想为：  
![这里写图片描述][70 1]

## 2.2 图像区块提取与表达 ##

这一步就是使用n1  n 1 个卷积核（c∗f1∗f1  c ∗ f 1 ∗ f 1 ）和去卷积图像，卷积核的大小f1  f 1 通常设置为9，c是图像通道。  
则该步输出的结果为：

F1=max(0,W1∗Y\+B1)  F 1 = m a x ( 0 , W 1 ∗ Y + B 1 )

## 2.3 非线性映射 ##

这里使用的是n2  n 2 个卷积核（n1∗f2∗f2  n 1 ∗ f 2 ∗ f 2 ），通常f2  f 2 的大小设置为1。  
该步输出的结果为：

F2(Y)=max(0,W−2∗F1(Y)\+B2)  F 2 ( Y ) = m a x ( 0 , W − 2 ∗ F 1 ( Y ) + B 2 )

## 2.4 重建 ##

这里卷积核的大小通常为5

F(Y)=W3∗F2(Y)\+B3  F ( Y ) = W 3 ∗ F 2 ( Y ) + B 3

# 4. Reference #

1.  论文：\[1\] Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang, “Image Super-Resolution Using Deep Convolutional Networks”, [http://arxiv.org/abs/1501.00092][http_arxiv.org_abs_1501.00092]
2.  在线演示网址：[http://waifu2x.udp.jp/][http_waifu2x.udp.jp]
3.  本文vs2013、opencv3演示封装代码：[链接][Link 1]

[70]: /images/20220523/489ad93a7cf744a0b7beff4ac7e60c79.png
[70 1]: /images/20220523/ad16596b2c054509b4ee9d08f68f2114.png
[http_arxiv.org_abs_1501.00092]: http://arxiv.org/abs/1501.00092
[http_waifu2x.udp.jp]: http://waifu2x.udp.jp/
[Link 1]: https://download.csdn.net/download/m_buddy/10462620