《基于深度残差生成对抗网络的医学影像超分辨率算法》---论文笔记

本文的创新点：本文在最新的 SＲGAN 基础上，通过使用缩放卷积、去掉批量规范化层(Batch-Normalization，BN)、增加特征图数量、加深网络等对 SＲGAN 作出改进，提出了基于深度残差生成对抗网络(Deep Ｒesidual Generative Adversarial Network，DＲ-GAN)的医学影像超分辨率算法，来达到对医学影像放大 2倍后仍然保留较多的纹理和细节特征的目标。
相关理论
1.生成对抗网络

GAN 过程中有两个场景:第一个场景中，从真实训练数据中采样 x，作为判别器模型 D(x) 的输入，D(x) 通过自身的训练学习，尽可能地输出接近 1 的概率值;第二个场景中，从先验分布中采样 z，经生成器模型生成伪造样本G(z)，将其作为判别器模型的输入，判别器模型的目的尽量使 D(G(z)) 接近 0，而生成器模型的目的尽量使它接近 1，最终在二者的互相博弈中达到平衡。
2.残差和快捷连接
该网络结构使得更深的网络更容易训练，因而可以通过增加网络层数提高识别准确率

如图 2 所示，残差网络在原始的卷积层上增加跳层快捷连接支路 Skip Connection 构成基本残差块，使原始要学习的H(x) 被表示成 H(x) = F(x