SRFBN阅读笔记

• 文章出自cvpr2019 全称：Feedback Network for Image Super-Resolution
• 
• 
• FB层的两个输入（规定F_out^-1是F_in^0）先做concatenate，再1*1conv来compress信息，然后进入densenet模式的project groups，看图很复杂看不懂，但是看公式就很清楚
  • 首先里面有很多deconv层和conv层，每个deconv层的输入是前面所有conv层的输出（红箭头），每个conv层的输入是前面所有deconv层的输出（紫箭头），做concatenate。
    
  • 其次，除了第一个group以外，在每个conv之前都加了1*1conv，每个deconv之前都加了1*1conv，也即每次concatenate之后都要1*1conv来compress
  • 最后，为了使FB最后的输出更好一些，结合了所有conv层的输出（绿箭头），当然还是concatenate加1*1conv
    （文中称为feature fusion）
• 然后是curriculum learning的部分，loss是和每次迭代得到的SR都有关，而HR可以都相同，也可以不同，不同就是curriculum learning，在前几次迭代给blur或者高斯加噪的HR，后几次再给ground truth（其实这一块论文好像讲得不是很清楚，我也不敢确定我的理解对不对）