SRResNet与EDSR

SRResNet

 SRResNet 网络来源于SRGAN，原论文（https://arxiv.org/abs/1609.04802）提到一种扩展方式，允许修复更高频的细节。

SRResNet 的残差块架构基于这篇文章（http://torch.ch/blog/2016/02/04/resnets.html）。存在两个小的更改：一个是 SRResNet 使用 Parametric ReLU 而不是 ReLU，ReLU 引入一个可学习参数帮助它适应性地学习部分负系数；另一个区别是 SRResNet 使用了图像上采样方法，SRResNet 使用了子像素卷积层。详见：https://arxiv.org/abs/1609.07009。

SRGAN网络结构如图1所示。

图1

在生成网络部分(SRResNet)部分包含多个残差块，每个残差块中包含两个3×3的卷积层，卷积层后接批规范化层(batch normalization, BN)和PReLU作为激活函数，两个2×亚像素卷积层(sub-pixel convolution layers)被用来增大特征尺寸。在判别网络部分包含8个卷积层，随着网络层数加深，特征个数不断增加，特征尺寸不断减小，选取激活函数为LeakyReLU，最终通过两个全连接层和最终的sigmoid激活函数得到预测为自然图像的概率。

这篇论文（https://arxiv.org/abs/1609.04802）使用 SRResNet 作为 SRGAN 架构的一部分，从而扩展了 SRResNet。该网络生成的图像包含高频细节，比如动物的皮毛。尽管这些图像看起来更加逼真，但是 PSNR 的评估数据并不是很好。

BN