(RCAN-it)Revisiting RCAN: Improved Training for Image Super-Resolution (重温 RCAN：改进图像超分辨率训练策略)

作者

Zudi Lin1† ，Prateek Garg2∗ ，Atmadeep Banerjee2∗ ，Salma Abdel Magid1 ，Deqing Sun3 ，Yulun Zhang4 ，Luc Van Gool4， Donglai Wei5， Hanspeter Pfifister1

所属单位

1、 Harvard University 2 、BITS Pilani 3 、Google 4、 ETH Zurich 5 、Boston College

论文地址：https://arxiv.org/abs/2201.11279

项目地址：https://github.com/zudi-lin/rcan-it

 

 

面对的问题

在过去的几年里，该领域的焦点主要集中在新的网络架构上。然而，使用改进的训练策略优化的新架构通常与使用过时的方法训练的早期模型进行比较是不太公平的（到底是模型改进带来的提升还是训练方法带来的提升？）。 人们很少探讨培训策略的重要性。即大多数SR模型都忽略了训练策略所带来的影响。

解决思路

最近关于图像识别的工作表明，在没有或对 ResNet等“传统”神经网络架构进行最小更改的情况下，这些模型只需改进训练和正