《表1 不同采样因子的训练子图尺寸》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种对称残差CNN的图像超分辨率重建方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

利用双三次插值法以因子k k=2，3，（4）对原始图像进行下采样，生成相应的低分辨率图像，将低分辨率训练图像裁剪为一组lsub×lsub的子图，相应的高分辨率训练图像被裁剪为klsub×klsub的子图。由于网络使用Caffe深度学习框架进行训练[33]，所以将反卷积核产生的输出大小设置为（klsub-k+1）2，而非（klsub)2，因此，高分辨率子图的像素边界应裁剪（k-1）。同时，使用Caffe框架训练时，若拥有较大学习率的训练样本尺寸越大，则训练过程越不稳定。由于裁剪图像块时无重叠部分，为了充分利用291张图像，当采样因子增大时，子图像采样步长相应缩小，裁剪后的训练子图尺寸相应变小，以便得到更多边缘的图像块。以采样因子k=3为例，根据数据集中最小图像的尺寸，将低分辨率子图像采样步长设置为15，低分辨率图像裁剪为15×15(152）的训练子图，对应的高分辨率图像裁剪为43×43(432，其中高分辨率子图尺寸通过15×3-3+1获得）的训练子图，故训练阶段使用大小为152/432的训练对进行训练。初始学习率设为10-4，训练过程中，每250 000次学习率下降10-1，总的训练次数为600 000次。训练样本尺寸如表1所示。