超分辨率重构五---LapSRN

LapSRN(Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution)阅读笔记
1、论文地址：https://arxiv.org/abs/1704.03915
2、github上的tensorflow程序：https://github.com/twtygqyy/pytorch-LapSRN
3、论文介绍
3.1、存在的问题

• 现有的方法(SRCNN)中使用双三次插值进行上采样，这种方法提高了不必要的时间复杂度；
• 现有的方法在优化网络的时候使用l2正则化从而不可避免的模糊了预测的图片；
• 大多数的方法在重构HR图片时只采用一次上采样，再有较大的scale时候提高了训练的困难。

3.2、LapSRN

  该模型中采用低分辨率图作为输入，并且逐渐的去预测残差图片（加入scale为8，那么就会预测三次，预测次数为对scale去一2为底的对数）该模型主要包括两个方面**：特征提取和图像重构**。
  特征提取：在每一次的预测中，特征提取包括d次卷积和一次转置卷积，该转置卷积后的特征连接了两个不同的卷积层：1、重构该预测中的残差图片；2、对于下一次预测的特种提取。
  图像重构：在一次预测中，输入图片通过放大倍数为2的转置卷积，之后将该图片和特征提取得到的残差图片相加得到本次预测的高分辨率图片。
  不断重复上述过程得到最后的高分辨率图片。
3.3、损失函数

  N表示在每个batch中样本的个数， L表示预测的次数， ε为1e-3，ρ(x) =√ x 2+ε 2 。
4、代码部分
  未完待续。。。