《表2 不同模型在测试集上的PSNR、参数数量和测试时间》

  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

《图像超分辨率卷积神经网络加速算法》

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

本文将提出的方法与传统的锚定邻域回归方法A+[17]以及三种基于外部数据库学习的超分辨率重建算法进行比较，即SRCNN[2]、改进的SRCNN[7]、FSRCNN-s[6]方法。A+方法的实现基于它们发布的源代码，其余三种基于深度学习的方法根据文献内容在Keras框架上进行了编写，为了对恢复质量进行比较，所有模型都对没有增强的91数据集图像进行了训练，因此结果可能与对照论文略有不同。本文选择了两个代表性的LSRCNN模型LSRCNN（48，16，1）（简写为LSRCNN-s） 和LSRCNN（48，24，2）（简写为LSRCNN） 。所有模型的运行时间通过NIVIDIA GTX 860 GPU上的Python进行测试。表2列出了放大因子为3的定量结果（PSNR、模型参数和测试时间）。首先，分析测试时间，可以看到，提出的LSRCNN是最快的方法，比改进的SRCNN至少快15倍（在GPU上测试时间），LSRCNN-s最快可以达到50帧/s的处理速度。其次，LSRCNN也具有更少的参数，相比于动辄具有几万甚至几十万参数的模型，LSRCNN-s仅有2800个参数，按照32 bit的精度进行存储，只需要10 KB空间，便可以满足嵌入式部署。最后，LSRCNN在具有更少参数的情况下，PSNR依旧优于A+、SRCNN、改进的SRCNN以及FSRCNN等算法。