图像超分辨率——LapSRN2017

论文地址：http://vllab.ucmerced.edu/wlai24/LapSRN/papers/cvpr17_LapSRN.pdf

开源代码：https://github.com/phoenix104104/LapSRN

拉普拉斯来源于LAPGAN：https://arxiv.org/pdf/1506.05751.pdf    http://soumith.ch/eyescream/

采用拉普拉斯金字塔结构，每个金字塔level，都是输入一个coarse-resolution粗分辨率feature map，预测高频残差并用transposed convolution来上采样得到finer level细分辨率。facilitate resource-aware applications.促进资源利用

不需要预处理阶段插值，降低了计算复杂性。

训练中，采用Charbonnier loss function损失函数。

在一个前向传递的渐进重建的网络中生成多个中间SR预测

根据LAPGAN提出的LapSRN，并在文中指出了二者的不同，总体就是生成网络与超分辨生成网络之间的不同。（输入不同，训练独立性不同，影响计算速度因素不同）

网络结构：

如图，是分三部分的特征提取+上采样重建，分三个部分放大。

卷积层同VDSR相同，采用3*3*64.

采用transposed 卷积层

同样（VDSR）使用边缘零填充方法保持feature map大小不变，就是卷积层用padding

输入图像经过放缩、旋转和翻转

损失函数：

就是L1的可微分形式，N是每batch训练样本数量，L是level数量，其中是常数（1e-3）

在each level中都有损失函数的计算，可以产生2x,4x,8x超分辨率重建放大倍数。