这篇文章是CVPR 2018年的文章,相较同时录用的《Residual Dense Network for Image Super-Resolution》而言,个人觉得本文创意非常不错。文章很好的利用了传统算法 IBP(迭代反投影),并通过深度网络实现出来的结构。
网络结构
区别于前几年的三种典型网络:
- pre-upsample 处理的网络,先将LR进行bicubic插值到desired size,然后在投入到网络中,这样就可避免stride为分数的情况。但往往会引入大量的计算量;
- single up-sampling。观测到第一种将插值后的LR 输入到网络会带来大量的计算,该类方法直接对LR 图像进行feature extracting,这样大大减少了计算量。典型算法:FSRCNN(deconvolution layer), ESPCN(sub-pixel conv);
- 就是以LapSRN带头的progressively upsample的网络结构。这类网络结构能够逐渐放大,然后在大的upsampling factor上取得比较好的成绩(x4,x8);
作者把自己的网络归为第四种:Iterative up and downsampling。这种结构有一种直观的好处,也就是有效挖掘 dependencies of low- and high- resolution images的先验信息。其中内部的两种操作都非常简单:ÿ