论文部分内容阅读
在过去十年中,卷积神经网络(CNN)在单图像超分辨率(SISR)方面取得了显著进步。但是,大多数基于特征信息的卷积神经网络(CNN)的SR方法都专注于质量指标(例如PSNR和SSIM)方面获得优于传统方法的性能提升,这通常需要大量的内存和计算单元。针对这一问题,采用了一个新的框架,该框架由一个教师和一个学生网络组成,通过利用FSRCNN架构可以提高SR任务的性能。具体地,教师网络通过学习特权信息负责模拟图像降采样后恢复的过程,学生网络采用FSRCNN的结构并使用教师网络训练完毕的解码器恢复HR图像。