abxl987的博客

(DRN)Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution论文的全文阅读，在该论文中作者提出了一个对偶回归方案来约束从LR到HR之间的可能映射空间，不同于以往的提出新的网络模型，创新点比较有趣。

本文详细介绍了OverNet网络结构，它是一种轻量化的SISR方法。作者主要有三个创新点：1.轻量化特征提取器；2.用于重建的超尺度模块，该模块可作为独立结构应用到其他SR方法中提升它们的性能；3.引入多尺度损失函数，以提高模型的跨尺度泛化能力。同时欢迎各位指出我在文章中的错误理解。

RCAN网络的全文阅读，欢迎各位指出我在学习过程中的错误理解。本文中作者提出了一种RIR结构来构造更深的可训练网络，所提出的RCAN网络超过400多层。同时，作者将通道注意力机制融入到残差模块中，使得RCAN网络能够关注更加有用的信息。

（RDN）Residual Dense Network for Image Super-Resolution论文全篇翻译，论文的重要部分为人工翻译，非机翻。在后续中，我会慢慢补上全部的人工翻译

本文介绍DenseNet网络，这是一种将特征图进行连接的新结构，在卷积网络方面是非常不错的特征提取器。

在本论文中，作者提出了一种新的深度超分辨率网络（EDSR），其性能超过了目前最先进的SR方法。EDSR模型的显著性能改进是通过去除传统残差网络中不必要的模块来优化。并且在稳定训练过程中的同时，通过扩大模型尺寸（即分为baseline和扩大后的模型，在深度和宽度上进行扩展）进一步提高性能。作者还提出了一种新的多尺度超分辨率模型（MDSR）和训练方法，该方法在单一模型中重建不同放大因子的高分辨率图像。

在本论文中提出了一种高精度的单图像超分辨率方法。作者受到图像分类网络VGGNet的启发，使用了一个非常深的卷积网络应用于超分辨率领域，最终的网络模型达到20层。作者发现通过在深层网络结构中多次级联小型滤波器，可以有效的利用大型图像区域上的上下文信息。作者通过仅学习残差和使用极高的学习率来改善深层网络收敛慢的问题。最终提出的方法无论是精度上还是视觉提升上都比现有的方法要好作者在SRCNN的基础上，加深了网络的深度。

1.SRCNN算是深度学习在图像超分辨率领域的开山之作。虽然这篇论文年代比较久远了，但是仍然值得一读。（看到论文的作者是何凯明大佬没？）2.在这篇论文中，作者提出了一种单图像超分辨率的深度学习方法。该方法直接学习低\高分辨率图像之间的端到端映射。SRCNN将低分辨率图像作为输入并输出高分辨率图像。3.作者提出的方法共同优化了所有的网络层结构（而传统的方法是分别处理每个组件），并且作者提出的深层卷积神经网络是一种轻质的结构，因此速度非常快，但是却有着最先进的修复质量。

图像分类领域的EfficientNet-V2论文，在本文中我从背景出发到网络结构都进行了详细的解读，欢迎大家讨论。

本篇论文算是基于学习方法中的分水岭文章，之前为基于深度学习的核估计方法（以孙剑大佬的首次把CNN引入到去模糊领域中的那篇为代表），再一个就是以本篇为代表的基于学习的kernel free方法。

图像去模糊领域的《Scale-recurrent Network for Deep Image Deblurring》论文，在本文中我从背景出发到网络结构以及论文中公式都进行了详细的解读，欢迎大家讨论。

本文作为个人对EfficientNet论文的理解，欢迎各位来探讨！