IDN-Fast and Accurate Single Image Super-Resolution via Information Distillation Network信息蒸馏网络

Fast and Accurate Single Image Super-Resolution via Information Distillation Network CVPR2018

github(caffe): https://github.com/Zheng222/IDN-Caffe

网络结构以特征提取块、多个信息蒸馏块（progressively distill residual information）和重建块组成，其中主要创点是信息蒸馏块。

将增强单元（ mixes together two different types of features ）（ comprises two shallow convolutional networks）+压缩单元（distills more useful information for the sequential blocks）结合 （ the local long and short-path features can be effectively extracted）。

轻量级参数和计算量

为了得到HR image，将学习得到的残差image+upsampled LR image,就是学习的是残差，重建的是残差图。（和RED DRRN类似）

下面主要介绍信息蒸馏块：

增强单元

上图为增强单元，包含两个浅层的卷积网络，前三层（第一层网络）提取局部短途short  path 特征（因网络层数浅），先把浅层的局部特征传递给另一个模块。

第二层网络提取的特征为局部长途long path特征

将特征映射分为两部分（保留的short path特征和增强的short path特征）应该就是图中S分支（未完需补充，S C是什么，怎么操作的）

将短路径特征与长路径特征结合，提高网络表达能力。

 

压缩单元：采用简单的卷积层压缩增强单元特征中冗余（就是一层卷积层，特征提取一下）

总结来说：增强单元尽可能多的收集信息，压缩单元尽可能的蒸馏有用的信息。

（未完待续）