Enhanced Deep Residual Networks for Single Image Super-Resolution（EDSR）

摘要

近年来，随着深度卷积神经网络（DCNN）的发展，SR的研究也取得了进展。尤其是，残差学习技术展现出更好的效果。在本文中，我们开发了一个增强深度SR网络（EDSR），效果超过了那些目前最好的SR方法。我们通过移除传统残差网络中不必要的模块来优化，使得我们的模型性能显著提升。通过扩大模型大小来进一步提升效果，同时保持训练流程稳定。我们也提出了一种新的多尺度深度SR 系统（MDSR）和训练方法，它可以在一个简单的模型中重构不同放大因子的HR图像。提出的方法在基准数据集上显示效果优于最好的方法，而且通过赢得NTIRE2017 Super-Resolution Challenge证明了它的出色。

 

1. 引言

图像超分辨率问题，尤其是单图超分辨率（SISR），近十年来越来越多的研究关注它。SISR旨在从一张低分辨率图像重建一个高分辨率图像。一般的，和原始高分辨率图像之间的关系可能因情况而变。很多研究假设是的一个bicubic下采样版本，但是其他的退化因素如模糊、过滤或噪声，也被认为是部分应用。

近年来，深度神经网络[11, 12, 14]在SR问题中在峰值信噪比PSNR方面展现了显著的提升效果。但是，这样的网络结构在结构优化方面有局限性。首先，神经网络模型的重构性能对微小的结构改变很敏感。而且，相同的模型用不同的初始化和训练技巧得到不同级别的性能。所以，在训练神经网络时需要仔细设计模型结构和复杂的优化方法。

第二，大多数存在的SR算法将不同尺度因子的SR看作是独立问题，不考虑和利用SR中不同尺度之间的乘法关系。这样，那些算法需要特定尺度的网络，需要单独训练来处理各种尺度。特殊的，VDSR[11]可以在单一的网络中一起处理几个尺度的SR。用多个尺度训练VDSR模