《表1 不同超分辨重建方法速度对比》

  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

《基于小递归卷积神经网络的图像超分辨算法》

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

而对于论文中提出的稀疏字典模型[4]，假设图像块大小为K×K，字典原子数量为N，上采样倍率为k，那么字典将包含大约（k+1）NK2个参数，而为了保证字典重建的质量，通常原子数超过1 000个.这样庞大的参数数量将会对设备提出很高的要求，通常训练需要若干个小时.而基于传统算法的模型[7]为了追求更好的重建精度，进一步增加了模型的复杂度.基于深度学习的模型[13]，由于含有较多的卷积层，每个卷积层又有很多通道，所以需要存储的参数将是所有的卷积层参数之和，模型[13]需要确定的参数在1万以上，使用一块顶级GPU也需要几周时间才能完成训练.无论是传统超分辨算法还是深度学习算法，其模型复杂度都是远远高于本文提出的网络的.本实验中对一块大小为168×168大小的图像进行上采样，采样倍率为3，与当前较优秀的超分辨算法[5]进行比对，不同算法的时间开销如表2，可见本文的算法经过优化，速度比文献[2，5]中的算法更为优秀.