【图像超分辨】DRCN

SRCNN的层数较少，同时感受野也较小（13x13）。DRCN (Deeply-Recursive Convolutional Network for Image Super-Resolution, CVPR 2016)提出使用更多的卷积层增加网络感受野（41x41），同时为了避免过多网络参数，该文章提出使用递归神经网络（RNN）。

网络结构

对于图像复原问题的操作问题，深度学习处理的时候时不使用pooling层。如果增加网络的深度，将增加更多的参数，则会导致两个问题：一是容易过拟合，二是模型过大，难以存储和重现。因此使用递归神经网络，然而由于梯度消失/爆炸导致不易收敛。因此提出了两种解决方法：一是每层的递归层都是监督式的；二是类似于残差网络，采用skip connection 结构。具体的结构图如下图所示：

主要分为三个部分，第一部分是Embedding network，相当于SRCNN中的特征提取，二是Inference network，相当于特征的非线性变换，第三个是Reconstruction network，即特征图重建。其中的Inference network是一个递归网络，即数据循环地通过该层多次。将这个循环进行展开，就等效于使用同一组参数的多个串联的卷积层，如下图所示：

其中的H_1到H_D是D个共享参数的卷积层。DRCN将每一层的卷积结果都通过同一个Reconstruction Net得到一个重建结果，从而共得到D个重建结果，再把它们加权平均得到最终的输出。另外，受到ResNet的启发，DRCN通过skip connection将输入图像与H_d的输出相加后再作为Reconstruction Net的输入，相当于使Inference Net去学习高分辨率图像与低分辨率图像的差，即恢复图像的高频部分。最终的目标函数是一个多目标优化问题。除了每一个递归层的监督产生的误差还有最终效果的误差。

实验结果

参考博客

深度学习在图像超分辨率重建中的应用
DRCN超分辨重建