- 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)
- 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。
- 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)
SRFBN阅读笔记
最新推荐文章于 2024-04-16 09:52:50 发布