题目：加速图像超分辨率的卷积神经网络 ECCV 2016 收录
摘要：
超分辨率卷积神经网络(SRCNN)[1,2]作为一种成功应用于图像超分辨率(SR)的深度模型，无论在速度还是恢复质量上都明显优于以往手工制作的模型。然而，高计算成本仍然阻碍了它在实际应用中对实时性能(24fps)的要求。。本文针对当前SRCNN的加速问题，提出了一种紧凑的沙漏形CNN结构，使其具有更快、更好的鲁棒性。首先，我们在网络的末端引入一个反卷积层，然后直接从原始的低分辨率图像(不插补)学习到高分辨率图像的映射。其次，我们通过在映射之前收缩输入特征维度，然后再展开来重新构造映射层。第三，我们采用更小的过滤器大小，但更多的映射层。该模型的恢复速度可达40倍以上，恢复质量更优。此外，我们还提供了参数设置，这些参数设置可以在保持良好性能的同时在通用CPU上实现实时性能。针对不同放大因子的快速训练和测试，提出了相应的迁移策略。
代码地址：https://github.com/yifanw90/FSRCNN-TensorFlow
其他地址：http://mmlab.ie.cuhk.edu.hk/projects/FSRCNN.html
学习地址：https://blog.csdn.net/u010327061/article/details/80092262
优点：不需要对LR图像进行预处理，直接进行特征提取；在最后一层使用反卷积来扩大尺寸，得到对应的HR图像；LR---HR速度很快，在CPU上，可以进行实时处理。
缺点：不同的放大因子都要进行训练，虽然速度很快，但还是不能一步到位。