DBPN是一种创新的超分辨率方法，通过迭代的上采样和下采样建立误差反馈机制，提高从低分辨率到高分辨率的转换效果。网络结构包含上采样和下采样投影单元，以及密集连接的改进，以优化特征提取和重建。实验表明，DBPN在超分辨率任务中表现出色。
Deep Back-Projection Networks For Super-Resolution
Muhammad Haris, Greg Shakhnarovich, and Norimichi Ukita
CVPR2018
摘要
现有的方法都是在学习LR到HR的映射，不能够利用上LR和HR之间的依赖关系。于是论文提出了一个DBPN，迭代使用上采样和下采样来建立误差反馈机制。实验证明论文提出DBPN可以得到很好的效果。
主要贡献
- 误差反馈：论文提出了迭代误差修正反馈机制，可以通过计算上采样和下采样的误差来让网络获得更好的结果。
- 相互连接的上采样和下采样段：论文不仅将目标放在获得ＳR上，还利用下采样方法将其投影到LR空间上，反复做这个操作。
- 深度连接：论文的方法可以将网络中迭代过程中获得的每个SR的特征图连接起来，并利用这些信息重构SR。
- 密集连接的改进：论文通过密集连接上下采样网络来提升网络准确性。
DBPN
论文网络的主要模块就是projectio unit，它或者是上采样投影：
，或者是下采样投影：
上采样投影单元：
最低0.47元/天 解锁文章
722
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
