SRCNN是图像超分辨率领域最近最著名的技术之一。作者提出了一种CNN分层结构，他们一个接一个地使用4个卷积层，过滤器大小为9,1,5,3。
根据我的理解，这意味着图像大小将逐渐减小(第二层除外)。即使使用填充来保持图像大小相同，第一个操作也意味着沿每个边缘添加 4 个零。因此，尺寸为 5 的过滤器基本上只会在一端看到零，这应该会导致沿边缘的分辨率很糟糕。
该论文没有解释他们如何解决减小图像大小的问题。任何帮助将不胜感激。 提前谢谢。
这个 github 存储库显示了处理边缘问题的方法(或见解)。您可能需要稍微修改它以适应您的代码。
https://github.com/jormeli/srcnn-keras
抱歉回复晚了，
我一直在这个领域工作，我终于明白为什么即使在应用卷积操作时图像大小也不会减小。让我们以作者提到的架构为例，即( 9 - 3 - 5 )。
在代码实现中，图像被划分为 32x32 子图像，对于每个子图像，其 hr 和 lr 版本是通过缩小和放大来准备的。因此，我们准备了一个大小为 [20：20] 和 lr 补丁 [32：32] 的小时补丁。(在将这些补丁作为第一个卷积层的输入之前，我们删除了 6 个边框像素，因此 hr 补丁形状为 32 - (6+6) = 20 x 20，这就是为什么我在上面提到 HR 补丁为 [20：20])
整个诀窍在于填充，我们提供 LR 补丁作为 CNN 的输入
第一层：过滤器大小=9，填充=有效，所以形状 输出 = n-f+1 ( 32 - 9 + 1 ) = 24，因此第一层的输出是 24x24 图像
第二层：过滤器尺寸=3，填充=相同，所以形状 输出 = 输入的形状，所以第二层的输出是 24x24 图像
第三层：过滤器大小=5，填充=有效，所以形状 输出 = n-f+1 ( 24 - 5 + 1 ) = 20，因此第三层的输出是 20x20 图像。
所以最后我们有一个 20x20的 LR 补丁和 20x20 的 HR 补丁，我们比较这个，执行 mse 和反向传播错误。
所以在这里我们实际上并没有增加图像的大小，我们保持图像的大小相同，我们进行调整以使图像看起来更好。
干杯:)