DeepLearningを用いた超解像手法/RED-Netの実装 - Qiita

概要 深層学習を用いた、単一画像における超解像手法であるRED-Netの実装したので、それのまとめの記事です。 この手法は、2016年のCVPRに採択された論文で、ノイズ除去と超解像の両方で使用できる手法でもあります。 Python + Tensorflow(Keras)で実装を行いました。 今回は、2倍拡大の超解像にチャレンジしました。 今回紹介するコードはGithubにも載せています。 1. 超解像のおさらい 超解像について簡単に説明をします。 超解像とは解像度の低い画像に対して、解像度を向上させる技術のことです。 ここでいう解像度が低いとは、画素数が少なかったり、高周波成分（輪郭などの鮮鋭な部分を表す成分）がないような画像のことです。 以下の図で例を示します。(図は[論文]より引用) (a)は原画像、(b)は画素数の少ない画像を見やすいように原画像と同じ大きさにした画像、(c)は高周