韩国首尔大学的研究团队提出用于图像超分辨率任务的新方法,分别是增强深度超分辨率网络 EDSR 和一种新的多尺度深度超分辨率 MDSR,在减小模型大小的同时实现了比当前其他方法更好的性能,分别赢得NTIRE2017超分辨率挑战赛的第一名和第二名。
EDSR是一个加强的用于SR的深度残差网络,主要是在SRResnet的基础上进行改造的。
VDSR模型是可以同时解决不同scale问题的,这说明尺度特定的模型的训练是有冗余的,但是VDSR的LR是需要通过bicubic成HR尺寸的,没有直接在LR空间进行计算,损失了LR空间的图像细节并增大了计算复杂度。
为了解决这个问题呢,作者主要采用了以下两点:
- 移除了不必要的模型,主要就是移除了BN;
- 设计了带有一个单一主分支的基准(多尺度—multi-scale)模块 ,含有 B = 16 的残差模块,所以大部分参数都可以在不同尺度间进行共享。
网络结构
EDSR
去掉了BN层。为啥去掉BN呢?
Batch Norm可谓深度学习中非常重要的技术,不仅可以使训练更深的网络变容易,加速收敛,还有一定正则化的效果,可以防止模型过拟合。在很多基于CNN的分类任务中,被大量使用。
但在图像超分辨率和图像生成方面,Batch Norm的表现并不好&#