要約
画像超解像（SR）に成功裏に適用された深層モデルとして、Super-Resolution Convolutional Neural Network (SRCNN) は、速度と復元品質の両面で従来の手作りモデルを上回る性能を示しています。しかし、高い計算コストが依然として実用的な用途（24 fps のリアルタイム性能）を妨げています。本論文では、現在の SRCNN を高速化することを目指し、より速く且つ高品質な SR を達成するためのコンパクトなアワーガラス形状の CNN 構造を提案します。SRCNN 構造の再設計は主に以下の3つの観点から行われました。第一に、ネットワークの末端に逆畳み込み層（deconvolution layer）を導入しました。これにより、補間なしで直接元の低解像度画像から高解像度画像へのマッピングが学習されます。第二に、マッピング層の再定式化を行いました。具体的には、マッピング前に入力特徴量次元を縮小し、その後再び拡大することで効率化を図りました。第三に、フィルタサイズを小さくしつつもマッピング層を増やしました。提案されたモデルは、40倍以上の高速化を達成し、さらに優れた復元品質を得ています。さらに、一般的な CPU 上でのリアルタイム性能（24 fps）を維持しながら良好な性能を保つことができるパラメータ設定についても述べています。また、異なる拡大率間での高速な学習とテストを行うための転移戦略も提案しています。