Residual Dense Network for Image Super-Resolution
Yulun Zhang , Yapeng Tian , Yu Kong , Bineng Zhong , Yun Fu
CVPR2018
摘要
论文认为之前的方法没有取得较好超分辨率结果的原因是因为它们没有利用低分辨率图像的层次信息。而论文提出了残差密集块可以解决这个问题。经过残差链接的卷积层可以提取出局部信息。残差层的直接相连会产生连续的内存机制CM。
残差块提取的局部特征还可以来学习相连两个残差密集块的特征,在完全获得密集的局部特征之后,我们使用全局特征融合以整体方式联合和自适应地学习全局等级特征
前人方法的问题
- 论文认为随着网络的加深,网络的每一层特征都应该具有不接受域的层次特征,而现有的方法都忽略了这些特征。
- 有人使用了密集块来做超分辨率,但是用密集块无法训练一个很宽的网络。
针对上述问题,论文提出了密集残差块包括三部分:密集连接层,带有局部残差学习的局部特征融合(LEF)。而且RDB中每一个残差密集块中的卷积层都可以连接到后面的层,且能将想要保留的信息传递下去。
主要贡献
- 论文提出了一个可以充分利用全部层次信息的残差密集网络RDN。
- 论文提出的残差密集块RDB不止可以通过连续内存提取前一个RDB的状态,并且充分利用所有层的信息。积累起来的特征可以自适应地通过局部特征融合LEF保存下来。
- 论文提出了全局特种融合将LR空间上的全部层次信息都融合起来,通过这种全局残差学习可以将浅层的特征和深层的特征结合起来,得到全局密集特征。
RDN网络
网络结构
网络主要包括四个部分:SFENet浅特征提取网络,RDB残差密集块,DEF密集特征融合,UPNet上采样网络。
网络结构如上图。
首先是SFENet,这一部分包括两个卷积层