【图像超分辨】DBPN

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：

1. 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；
2. 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)；
3. 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