SRCNN代码中的图像超分辨率重构问题

整个网络结构只有三层，比较简单，卷积核大小分别为9、1、 5

网络输入image为3333， 网络的输出为2121

原始训练数据仅包含91张图像文件（bmp格式），这些图像具有不同的尺寸规格。通过分割处理后生成数量充足的两种尺寸类型的子图像块——其中较大的子图像块用于作为网络输入模块所需的输入特征图层，较小尺寸的则作为目标检测任务所需的目标定位区域。这些经过处理后的子图像共有约两万八千多张，在构建完整的训练数据集时发挥了重要作用。

问题一、

采用插值算法对原始图像进行放大后再缩小处理时，并不会改变数据量的实际大小。然而所得出的数据虽未发生量变但仍可将其用作低分辨率输入（即LR_input）。与此同时高分辨率输出（HR_output）则直接来源于原始图像本身实际上这种操作的本质只不过模拟了简单的尺寸变换过程因此单纯依靠这种方法构建数据集明显存在明显的缺陷是否存在更为有效的解决方案？

问题二、

输出为何是21*21

（已解决，33-（9-1）-（1-1）-（5-1）=21）

问题三、（已解决）

各版本的代码在构建网络训练过程中的输入层（大小为33×33）以及标签层（大小为21×21）时

 sub_input = input_[x:x+config.image_size, y:y+config.image_size] # [33 x