本文介绍了CVPR 2018年的一篇关于图像超分辨的文章，提出了一种新的网络结构——DBPN。DBPN利用迭代上采样和下采样单元，模拟传统算法IBP，通过深度网络捕获低分辨率和高分辨率图像之间的依赖关系。D-DBPN是DBPN的扩展，结合DenseNet思想，进一步优化特征学习。在大规模数据集如DIV2K, Flickr和ImageNet上进行训练，DBPN在超分辨任务中表现出色。"
114815700,10297005,C语言编程规范与风格指南,"['C语言', '编程规范', '函数声明', '代码风格', '返回值', '头文件']
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
最低0.47元/天 解锁文章
670
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
