【文章阅读】【超解像】--Image Super-Resolution via Deep Recursive Residual Network

【文章阅读】【超解像】–Image Super-Resolution via Deep Recursive Residual Network

论文链接：http://cvlab.cse.msu.edu/pdfs/Tai_Yang_Liu_CVPR2017.pdf

caffe code：https://github.com/tyshiwo/DRRN_CVPR17

TensorFlow code: https://github.com/LoSealL/VideoSuperResolution

pytorch code: https://github.com/jt827859032/DRRN-pytorch

1.主要贡献

​ 提出一种递归残差网络结构，在增加网络层数的基础上，可使网络参数少，网络性能优。

​ a) 多通路残差网络结构

​ b)递归网络结构

​ 网络结构：

​ 说明：B表示递归网络网络结构个数，U表示递归网络结构中残差单元个数（后续有讲解）总的网络层数为：$d=(1+2\times U)\times B+1$

2.论文分析

a) 网络结构

​ 该结构在Resnet，VDSR，DRCN的结构基础之上改进而来。

​ 下图d中，红色虚线框表示递归单元，包含两个残差单元

​ 不同的残差单网络结构：

b) 不同模型的网络数学策略(具体公式含义参考论文)

c) 损失函数
$$L(\Theta )=\frac{1}{2N}\sum _{i=1}^N\Vert x^{(i)}-D(x^{(i)}){\Vert }^2$$
d) 实验细节

​ 数据增强：图像翻转，旋转（90°、180°、270°），旋转后的图像水平翻转，数据量增加7倍，运用不同的放大倍数图像进行同一个模型训练，训练图像大小为31x31。

​ 训练策略：SGD min-batch 128, momentum 0.9，初始学习率为0.1，每10轮学习率下降一半，同时使用梯度自动裁切技术。

​ 卷积核相关：卷积核大小为3x3，个数为128

3.结果分析

​ 利用52层的网络结构，利用递残差网络结构有两种实现方式：B1U25(k=297K), B17U1(k=7375K)(k表示参数数量)，与其他模型的比较结果如下PSNR和SSIM：

本文还利用了一种信息保真度(Information Fidelity Criterion IFC )的评价指标(后续研究)：

还有一些主观的评价：

最后作者比较了传统方法，非传统方法，浅层网络结构和深层网络结构的特性，目的为说明本模型好。

论文个人理解，如有问题，烦请指正，谢谢！