【论文阅读】Feedback Network for Image Super-Resolution（SRFBN）

0问题重述

基于深度学习的超分辨图像的生成问题。
之前都没有人引入反馈机制。

1摘要

最近图像超分辨SR用深度学习技术获得了很好的表现。但是存在于人类视觉系统的反馈机制，没有被用到这些方法中。

本文提出了SRFBN（super-resolution feedback network），用高层信息改善低层表达。具体来说，我们使用受限/约束RNN（循环神经网络）的隐藏状态（hidden state），来实现这样的反馈方式。feedback block 处理feedback connection，生成强大的高级表示。SRFBN具有强大的早期重建能力，并一步一步建立最终的高分辨率的图象。

除此之外，我们引入了curriculum learning 策略，使得网络适用于更多复杂的任务，这些复杂的任务中，低分辨率图像被各种类型的degradation损坏。大量实验证明了SRFBN比其他方法好。

2主要贡献

1）提出SRFBN结构，具有早期重建能力，参数不多。
2）提出FB（feedback block），能处理反馈信息流，丰富高层表示（通过上下采样层、密集跳跃链接）
3）提出curriculum-based训练策略，将具有增加重构难度的HR图象作为连续迭代的目标送进网络。使得网络能够逐渐学习复杂的降级模型，而仅通过一步就得到预测结果的方法就不行了。

3网络结构