阅读 Meta-SR:A Magnification-Arbitrary Network for Super-Resolution

Meta- sr:用于超分辨率的放大任意网络

1.motivation

        一般的SR都是针对特定scale训练一个network(X2, X3, X4)，这与实际需求不相符。该文研究的是超分辨率的放大任意scale的网络。

2.structure

 

 

     b部分是一个学习feature的过程，用到了RDB，讲白了一个Dense block变式。通过这个较深的network从LR提取feature map。然后文章的novelty是c部分。一般sr upsample 插值、转置卷积，边插值边转置卷积等等。filter只能学到一个scale的weights。

3.novelty

      文章加入了一个FC结构去学习不同尺度特征向量v（i，j）的向量的卷积表达。

      

i,j表示HR中的i，j，r代表scale，之所以加一个1/r，因为完备性考虑。例如，如果我们想用比例因子2和4对图像进行upsample，ISR 2上的像素(i,j)将与ISR 4上的像素(2i,2j)具有相同的权重和相同的投影坐标。这意味着isr2是isr2的子像。这会限制性能。

       这样子的话，一张SR的图像HxW。则会有HxW个v（i，j）。如网络结构图中的HxWx3。

      这样一个特征矩阵，每一个v（i，j）（length = 3），要生成一个(inC,outC,k,k)的卷积核，原文中inC是64，outC是1（灰度图像），k=3。这非常困难，所以采用的256个hidden neurons 。试出来效果最好。

       生成卷积核了以后，计算i，j这个点的像素，就用这么一个对应的卷积核去预测。

4.补充

v（i，j）为什么那个样子

        v(i,j)是一种偏移——SR图像的i，j因为scale产生的相对偏移。举例来说r=2，那么v（1，0）=（0.5，0，0.5）代表SR在LR中i方向的相对偏移是0.5.。如下图，r=2，SR为1的坐标实际上对于LR是他的0.5处分数坐标。

       LR中的0，决定了SR中的0，1两个位置（1-D）。同理r=1.5

底下是sr，上面是lr。