Enhanced Deep Residual Networks for Single Image Super-Resolution NTIRE2017（EDSR）

最新推荐文章于 2024-03-19 20:53:13 发布

什么都可晶

最新推荐文章于 2024-03-19 20:53:13 发布

阅读量395

点赞数 1

本文链接：https://blog.csdn.net/Janice_Fj/article/details/103455082

版权

1 EDSR

1.1 相关研究

VDSR（CVPR2016）和SRResNet（CVPR2017）
1.跳跃链接，全局和局部的跳跃链接使模型更深更稳固。
2.尺寸放大方法，使用子像素卷积的后放大尺寸比之前放大更有效。但，可能被限制在单尺寸超分辨率重建。

1.2 EDSR的四个改进点

1.batch-normalization
在这里插入图片描述

不像分类问题，输入和输出有相似的分布。
在SR中，可能不希望标准化中间特征。
能节省40%的存储空间，去扩大模型大小。

2.扩大模型大小
在这里插入图片描述

增加特征比增加深度更好，特征增大到256开始出现不稳定。在残差块后连续的尺寸缩放层可以防止这种不稳定。

3.损失函数：L1,L2
在这里插入图片描述
4.Geometric Self-Ensemble

1.3 总结

在这里插入图片描述
Deeper & Wider: 32 ResBlocks and 256 channels
Global-local skip connections
Post-upscaling
No Batch-Normalization
Residual scaling
L1 loss function
Geometric self-ensemble (EDSR+)

2 MDSR

2.1 动机

1.VDSR：一个模型的多尺度超分辨率重建。
2.多尺度知识转移。（预训练x2尺度的网络极大的提高了x3和x4的网络训练）
在这里插入图片描述
3.不同尺度对应不同模型的缺点：较重的训练负担，浪费相同工作的的权值参数，冗余。

2.2 MDSR模型设计

在这里插入图片描述
1.减小不同尺度之间的差异
2.不同尺度间大多数权值参数共享
3.后尺度放大提升效率

2.3 总结

Very deep architecture: 80 ResBlocks
Most parameters are shared in main branch
Scale-specific pre-processing modules and up-samplers
Post-upscaling
No Batch-Normalization
L1 loss function
Geometric self-ensemble (MDSR+)