超分辨率——Feedback Network for Image Super-Resolution

背景

作者认为，目前，超分辨率重建方面的文章已经是非常多了，但是，却很少有文章利用 反馈机制，针对这个问题作者，提出基于反馈机制的模型，这个模型的设计灵感来自于，人类会根据已经看到的画面，选择接下来，将要看的画面，我觉得作者应该读过google大脑得DRAW，因此作者提出一个 FB模块， 这个模块是一个for循环，大致分为三层，下图中extracted feature 输入，经过一个卷积层产生中间层，中间层再经过一个卷积层 产生FB得输出层， 将每次for产生得中间层，保存到list H中， FB输出层保存到 list L中，然后，下一次for将feature进行叠加，最终输出 list L，再经过一个 1x1卷积进行降维，这也就是FB得输出，每个FB得输出产生一个 SR，也就是说 模型后半部分FB并不是共享的，所以最终模型会有 n个输出(n为FB个数)

退化模型

文章中，对于图像退化模型设计可以了解一波。
作者采用三种退化模型产生低分辨率图像：

1. 通过bicubic 下采样操作，形成低分辨图形，作者称为：BI
2. 对高分辨图像进行Gaussian blur操作，后进行下采样操作
3. 对高分辨率图像加Gaussian noise后，再进行下采样操作

模型介绍

我们看一下，模型图。

课程学习

这个概念不是很了解，查了下，发现是 Hinton提的一个训练方法，意思是：模型先学习简单的任务，再学习复杂的任务，这个在3个退化模型的最后两个有体现。
学到了很多，谢谢
2019/7/31