摘要

我们提出了一种高精度的单图像超分辨率（SR）方法。该方法采用了一个受VGG-net启发的非常深的卷积网络，VGG-net曾用于ImageNet分类任务[1]。我们发现增加网络深度显著提高了精度。最终模型使用了20个权重层。通过在深层网络结构中多次级联小滤波器，可以高效地利用大图像区域的上下文信息。然而，对于非常深的网络而言，训练过程中的收敛速度成为一个关键问题。为此，我们提出了一种简单而有效的训练流程。我们仅学习残差，并通过可调梯度裁剪实现了极高的学习率（比SRCNN[2]高出(10^4)倍）。我们的方法在精度上优于现有方法，并且在结果中视觉改进效果明显可见。参考文献：[1] Simonyan, K., & Zisserman, A. (2015). Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556.[2] Dong, C., Loy, C. C., Kwoon, Y., & Tang, X. (2015). Image Super-Resolution Using Deep Convolutional Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 38(2), 295-307.