Deeply-recursive convolutional network for image super-resolution
引言
作者认为卷积神经网络感受野越大其可以利用的上下文信息就越多,那么就可以推理出更多的高频信息。提高感受野的方法:增加网络的深度(即增加卷积层的个数或者是增加池化层的个数。但是这两种方法都有缺点,卷积层引入了更多的参数,池化层丢失了一些关键信息)
感受野越大可以利用的上下文信息就越多
一般在图像复原这样的任务中,不会使用池化层。
引入卷积层会导致参数大,容易过拟合
基于此,作者提出了DRCN。重复的利用卷积层,参数不会增加,感受野变大。
但是用随机梯度下降方法会导致梯度爆炸/消失、Learning long-range