摘要
论文代码:https://github.com/HongguangZhang/DMPHN-cvpr19-master
论文地址:https://arxiv.org/pdf/1904.03468.pdf
代码解读:
多尺度去模糊网络的缺点:
- 由粗到细的网络机制中去卷积/上采样操作消耗运行时间。
- 在更精细的尺度中简单的增加网络深度并不能提高去模糊的质量
作者做出的改进
- 为了解决上述问题,作者提出一个分层的
multi-patch
网络,该网络受空间金字塔匹配的启发,由细到粗的处理模糊图像。
为了解决性能饱和问题,作者提出了multi-patch
网络 的stacked
版本
Network
作者提出的 Deep Multi-Patch Hierarchical
网络如图所示:
网络受由粗到细的特征金字塔结构影响,使用场景识别技术整合多个图像块提高性能。与在多尺度和尺度循环网络模型中进行大量的数据处理相反,我们的方法使用了residual-like
的架构,因此需要小尺寸的滤波器,从而可以进行快速处理。如图3所示:
与多尺度网络和递归循环网络不通,本文去掉了跳跃连接和循环连接。另外,不同于多尺度使用去卷积和上采样操作,我们使用特征图级连的方式。
Encoder-decoder Architecture
DMPHN网络的每一级都由一个编码器和一个解码器组成,其架构如图4所示。我们的编码器由15个卷积层,6个残差连接和6个ReLU组成。 解码器和编码器的层是相同的,只是两个卷积层被反卷积层替换以生成图像。
本文只使用3.6 MB
大小的内存存储参数,而 多尺度网络使用了3