Efficient Module Based Single Image Super Resolution for Multiple Problems
水文一篇垃圾
github:https://github.com/cubeyoung/EDSR-PP
主要是看下对EDSR的改进的技巧是什么。
通过循环训练的网络。
好处:
1.EMBSR允许我们通过有效地加深网络来减少训练时间,使用模块化集成来提高性能,并分离子问题来获得更好的性能。
2.我们还提出了EDSR-PP,是对以前的ESDR的改进,通过加入金字塔池,可以利用全局和局部上下文信息。
3.最后,我们提出了一种基于残差块和批处理归一化的去噪/去模糊残差卷积网络。
4.EDSR似乎不能很好地处理多个问题(SR,去噪,去模糊),而我们的EMBSR有效地解决了多个图像退化源的SR问题。
超分辨以EDSR为基准网络
去噪以DnCNN为基准网络
模块化方法使我们能够通过回收训练好的网络来有效地训练我们的网络来解决多个图像退化问题,使用模块化集成来改进性能,并有效地处理多源图像退化问题
CNN网络越深,接受野越大。然而,在基于CNN的图像处理深度网络中,接收野的大小可能不足以接收到全局的con- text信息。与EDSR的上采样层相比,金字塔池化首先执行平均池化,然后对四个金字塔尺度分别进行卷积。然后,将它们连接到现有的feature map中。
把去掉的BN加回去了,bn可以去噪。