不久之前，Wenzhe Shi 等人在 arXiv 上发表了一篇名为《通过高效的子像素卷积神经网络实现实时的单一图像和视频超分辨率（Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network）》的论文，机器之心海外分析师团队从多个方面对其做了解读。
论文地址：https://arxiv.org/pdf/1609.05158.pdf
论文实现：https://github.com/torch/nn/blob/master/PixelShuffle.lua
前言
单一图像/视频超分辨率的目标是从单一低分辨率图像还原出高分辨图像。论文作者提出了一种可以高效计算的卷积层（称之为子像素卷积层（sub-pixel convolution layer））以便将最终的低分辨率特征映射提升（upscale）为高分辨率输出。通过这种方式，而不是使用双线性或双三次采样器（bilinear or bicubic sampler）等人工提升滤波器，子像素卷积层通过训练可学习更复杂的提升操作，计算的总体时间也被降低。相比于原始输入图像／帧，你需要做的只是定义一个重建损失（reconstruction loss），并进行端到端的训练。
如上所示，有一个单一图像超分辨率的实例。左图基于双三次提升滤波器（bicubic upscaling filter），右图基于提出的模型。很明显，相较于左图，右图更清晰，且背景噪音更少。
之前，单一图像超分辨率基于高分辨率空间，这有一些主要缺点：一方面，处理卷积操作时，如果你首先提升低分辨率图像的分辨率，计算时间将增加；另一方面，从低分辨率空间到高分辨率空间的转化基于传统插值（interpolation）方法，这也许不会带来解决病态重建问题的额外信息。
提出的模型
考虑到这些不足，作者假定我们可在低分辨率空间进行超分辨操作；基于这一假定，他为一个有 L 层的网络构建了子像素卷积层，该网络可正常学习 n_{L-1} 个特征映射，但最后，网络通过「像素洗牌」（pixel shuffle）实现高分辨率输出，接着完成一个更复杂的从低分辨率到高分辨率的映射，这是一个简单而直接的想法。
上图是从低分辨率图像映射到高分辨率图像的整个模型。如上所示，他们应用第 l 层子像素卷积将 I_{LR} 特征映射提高到 I_{SR}。
上面的公式是该网络的数学描述，其中 W_l, b_l, l ∈ (1, L - 1) 分别是可学习的权重和偏差（bias）。W_l 是大小为 n_{l-1} x n_l x k_l x k_l 的二维卷积张量，其中 n_{l-1} 是层 l-1 中特征映射的数量，n_l 是层 l 中滤波器的数量，k_l 是滤波器大小，b_l 是偏差向量。非线性函数 φ 被应用在元素方面（element wise）。
在最后一层进行提升操作。一个提升低分辨率图像的方式是使用大小为 k_s 的滤波器和权重间隔 1/r ，在低分辨率空间卷积 1/r 步幅，当落在像素之间的滤波器的权重没有被简单计算时，这一卷积操作可激活滤波器的不同部分。为了建模这一操作，作者给出了一个数学公式：
其中 PS 指周期性像素洗牌，这可将输入张量 C * r^2 x H x W 重排为锐化张量 C x rH x rW。这个操作的效果已显示在上图中。
在 numpy 中，我们可将其编码为：
def PS(Input, r):
assert len(Input.shape) == 3
assert r>0
r = int(r)
Output = np.zeros((Input.shape[0]*r, Input.shape[1]*r, Input.shape[2]/(r*2)))
C = Ouput.shape[2]
for x in range(Output.shape[0]):
for y in range(Output.shape[1]):
for c in range(Output.shape[2]):
a = np.floor(x/r).astype("int")
b = np.floor(y/r).astype("int")
d = C*r*(y%r) + C*(x%r) + c
print a, b, d
Output[x, y, c] = Input[a, b, d]
return Output
注意，卷积操作符 W_I 具有 n_{l-1} x C*r^2 x k_l x k_l 锐化，并且最后一层没有非线性特性。
训练目标基于均方误差 (MSE)。在给定高分辨率训练数据集 I_n^{HR}, n=1 ... N 的情况下，可生成相应的低分辨率图像 I_n^{LR}, n=1 ... N，并在超分辨率重建之后以像素的方式（pixel wise）计算 MSE 损失：
图像超分辨率结果
作者从 ImageNet 选了图像用于训练。对于数据预处理，由于人类对亮度变化更敏感，他们将图像从 RGB 色彩空间转化到 YCbCr 色彩空间。在训练期间，从原始图像 I^{HR} 中提取 17r x 17r 像素的子图像 (例如，可选择 r = 2, 那么其为 34 x 34)。性能指标基于 PSNR。
上图所示为单一图像超分辨率重建结果。提出的模型实现了最佳 PSNR，并且超分辨图像的视觉对比表明，提出的模型创建了一个更锐化更高对比的图像，并为其他方法提供了显著改进。
上表显示了不同数据集的平均 PSNB。每类的最佳结果用粗体标出。相较于这些数据集中的其他模型，提出的模型表现更佳。
运行时间分析
提出的模型的一个巨大优势是速度。作者最终在 Set14 数据集上评估了其模型：
上图为在进行超分辨率重建操作时，不同模型在精度与速度间的权衡。相较于其它方法，上图表明了显著的提速 (> 10x) 以及更佳的性能 (+0.15 dB)，这使得在单块 GPU 上为超分辨率 HR 视频实时运行提出的模型成为可能。
评论者的思考
我认为单一图像超分辨率的力量的毋庸赘述。例如，它可以应用于视频播放、人脸识别以及医学影像领域。在 HD 视频播放领域，你可以享受更多的视频资源；在人脸识别以及医学影像领域，它能帮助研究者分析数据。本文的贡献在于采用一项称为像素洗牌的简单技术来学习单一图像超分辨率模型。在这种情况中，相较于以前固定的上采样内核，本文提出的模型不仅可学习更复杂的上采样函数，也可极速实时地运行该模型。基于这项技术，模型可实现 HD 视频超分辨率的实时播放。更重要的是，由于高效的像素洗牌技术，模型也可直接应用于 3D 卷积，这对时空视频建模至关重要。
参考
[1] O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, et al. Imagenet large scale visual recognition challenge. International Journal of Computer Vision, pages 1–42, 2014. 
