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: