Enhanced Deep Residual Networks for Single Image Super-Resolution
Bee Lim,Sanghyun Son,Heewon Kim,Seungjun Nah,Kyoung Mu Lee
Department of ECE, ASRI, Seoul National University, 08826, Seoul, Korea
前人方法的问题
- 前人的方法对网结构的改变非常敏感。结构的改变或者初始化的不同都会影响网络的效率。
- 目前的方法只能解决一个放大因子的超分辨率问题,没有发现不同放大因子超分辨率的关系。而VDSR解决了这个问题,但是它需要bicubic插值的图像作为输入,这样很耗时间和内存。SRResNet克服了时间和内存的问题,但ResNet的提出最初是用在高层问题,如检测和分类的,将其应用在低层的超分辨率问题会得到次优的结果。
论文基于上述方法的问题和优点,吸取了SRResNet的优点,在其基础上对其进一步改进,实现了多规模超分辨率网络。同时采用在低倍超分辨率基础上训练高倍超分辨率网络的方法,让多规模网络共享了很多参数,解决了多规模网络需要大量参数的问题。
论文方法
残差块的改进
上图展示了最初的残差块的结构、SRResNet的残差块的结构和论文提出的方法EDSR的残差块结构。可以看出相比于最初的残差块,SRResNet删去了最后的ReLU部分,而EDSR对SRResNet的残差块提出进一步改进,删去了其中的BN部分。
论文认为&