论文解析之Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Co

论文名： Image Restoration Using Very Deep Convolutional Encoder-Decoder Network

with Symmetric Skip Connection   ------------------2016 NIPS

论文针对图像修复方向，提出了一种跳跃链接的残差网络，总体来说论文结构简单，不过有点意思，所以简单说一下：

网络结构如下图所示：

1.首先对输入进行卷积，卷积用来提取特征，随着卷积的进行，那么图像的特征被提取，同时噪声的效果降低，那么经过若干卷积后，不仅仅是提取了可以图像的特征，同时降低了噪声的影响，随后，利用提取到的图像的特征进行反卷积，进行图像的回复，

卷积是提取特征，反卷积是针对特征的上采样，从而完成由图像到特征，再由特征到图像的过度

此时反卷积利用的图像特征已经是过滤了噪声后的图像特征，从而达到降噪的目的

2.跳跃链接（skip connection）：这点在RenNet中已经提到，随着网络层次的加深，会出现梯度消失/爆炸的问题，即便是问题并不严重，也会导致难以收敛，结果不理想，那么通过跳跃链接，可以使得网络中的浅层与深层链接，为数据信号流动形成通路，从而有效解决梯度消失/爆炸问题。

本篇论文中虽然也采用了跳跃链接，但是与ResNet中有所区别，论文通过将卷积层与对应的逆卷积层链接，使得逆卷积层针对性的进行反卷积操作，当然，这么做最主要的就是与ResNet做出区别

3.残差学习：残差学习能够有效的降低整个网络的权重，使得网络不需要记录太多的图像细节，只需要学习 输入图像input 与 标签图像label的区别，也就是残差。

残差学习也能够有效的解决梯度消失/爆炸问题，加快了网络中的信息流动从而加速了收敛速度

通过以上的操作，即可完成图像的回复。总而言之，在2016年算是一篇不错的论文