分颜色通道SR的相关论文

1、SRCNN-译文.doc

https://max.book118.com/html/2017/0628/118607667.shtm

见SRCNN翻译：彩色通道的实验 - wangxujin666的博客 - CSDN博客 https://blog.csdn.net/wangxujin666/article/details/82963187

结论：RGB通道联合训练效果最好；YCbCr通道下，Cb、Cr通道对性能提升基本无帮助，只基于Y通道的训练效果更好。

Y pre-train:首先，保证Y通道的表现，我们仅仅使用Y通道的MSE作为损失去预训练Y通道。之后，我们采用所有通道的MSE来fine-tune参数。

fine-tune：微调。Fine-tune:冻结预训练模型的部分卷积层(通常是靠近输入的多数卷积层),训练剩下的卷积层(通常是靠近输出的部分卷积层)和全连接层。

CbCr 预训练：我们使用Cb，Cr的MSE损失去预训练网络，然后在所有的通道上fine-tune参数。

观察结果：

1 如果我们直接训练YCbCr通道，结果比双三次插值更差，训练陷入了坏的局部最小值，这是由于Y Cb Cr三个通道本质上的不同。

2. 如果我们预训练了Y 或者Cb、Cr通道，表现提升了但还是不如只训练彩色影像的Y通道（看表5的最后一列，PSNR是在RGB颜色空间中计算的）。这说明如果训练在同一的网络上进行，Cb，Cr将会减少Y通道的表现。

3.我们观察到比起预先训练Y通道，预先训练Cb，Cr通道时Cb，Cr的PSNR分数更低。这个是因为Cb、Cr通道和Y通道的不同，视觉上，Cb，Cr比Y通道更加模糊，因此受下采样阶段的影响更小。当我们预先训练Cb，Cr时候，只有很少的一部分滤波器被激活。然后在fine-tune的时候，训练会很快落入一个坏的局部最小值。另一方面，如果我们预先训练了Y通道，就有更多的滤波器被激活，有助于Cb、Cr通道的表现。

4. 彩色影像在RGB上的训练效果最好。和YCbCr不同，RGB通道的训练展现了高度的互相关。SRCNN方法能够使用信道之间自然的对应进行重建。因此，模型在Y通道上实现了于Y only相当的结果，在Cb和Cr通道上实现了比双三次插值更好的结果。结果建议算法偏向Y通道。整体上来说，我们的方法在RGB通道上的效果比起KK和Y only想过更好。同样值得一提的是，和单通道网络相比表现没有明显的提高。这也证明了Cb,Cr通道几乎不能帮助到表现的提升。

2、吴宣沛, 谢勤岚. 基于迭代反投影的彩色图像超分辨率重建

[J]. 计算机与数字工程, 2015(6):1113-1117.

选择在 HSV 颜色空间下迭代反投影，保留图像的 H 通道，只对 S 通道和 V 通道进行迭代反投影。

为了保持色调一致。

3、赵红, 常卓, 杨刚. 一种基于空间转换的彩色图像超分辨率方法

[J]. 河北大学学报(自然科学版), 2016, 36(6):667-672.

彩色图像的RGB(红绿蓝)3个通道间具有密切的相关性，在RGB空间中进行超分辨率操作容易破坏这种相关性，会导致色彩伪影。

然而在Lαβ彩色空间中，3个通道之间的相关性很小。本文借鉴空间转换的思想，提出了一种将彩色图像转化到lαβ空间进行超分辨率的方法，在3个通道单独进行超分辨率处理。实验结果证明了该方法对RGB 3个通道的相关性破坏极小。

结论：

4、王馨悦, 辛志薇. 基于稀疏表示的单帧超分辨率算法

[J]. 现代计算机, 2016(7):65-68.

对于彩色图像，为避免由颜色通道相关性而造成的重建图像质量的下降，在 Lab 颜色空间对彩色图像进行重建。保持颜色通道的一致性。

仅对Y通道重建，另外通道插值。

5、赵红, 魏勇刚, 杨刚. 一种基于alpha通道的彩色图像超分辨率方法

[J]. 河北大学学报(自然科学版), 2018, 38(3):321-326.

基于alpha通道的边缘保持超分辨率方法。

【摘要】：彩色图像的RGB 3个通道间具有密切的相关性，若将现有具有边缘保持作用的灰度图像超分辨率方法直接推广到RGB空间中进行，很容易破坏这种相关性，也必会导致色彩伪影。为解决此问题，本文提出了一种基于alpha通道的彩色图像超分辨率方法。首先，对图像进行区域分割，并对每个区域进行前景、背景及alpha通道的提取；然后，将alpha通道、前景及背景图像分别进行超分辨率；最后,合成得到高分辨率图像。该方法基于图像分割和alpha matting技术，利用alpha通道协调3个通道的边缘信息。实验结果表明，该算法在较好地实现超分辨率的同时保持了图像的边缘，避免了色彩失真，具有较好的视觉效果。