RDN论文阅读笔记

“Residual Dense Network for Image Super-Resolution”发表于CVPR 2018

论文：
https://arxiv.org/abs/1802.08797
代码：
https://github.com/yulunzhang/RDN
https://github.com/lizhengwei1992/ResidualDenseNetwork-Pytorch

本文作者结合Residual block和Dense block提出了RDN(Residual Dense Network)网络结构，网络主要由RDB(Residual Dense block)网络组成，作者认为，使用RDB构建的RDN网络，可以充分利用各卷积层抽取出的信息，RDN网络的具体结构图如下:
Residual Dense block与以往的工作Residual block和Dense block的结构比较：

RDN（Residual Dense Network）主要包含4个组成部分。

1.shallow feature extraction net (SFENet)

网络的前两个卷积层，用于抽取浅层特征。

2.redidual dense blocks (RDBs)

RDB模块主要将残差模块residual block和dense block模块进行了整合，将两者结合，形成了residual dense block 。

Contiguous memory 表示将Fd-1，Fd,1，Fd,c-1的特征都利用起来。

Local feature fusion 表示concat后的1*1卷积操作，该操作有助于更大增长率的RDB模块的训练。

Local residual learning表示将Fd-1和Fd,LF的特征进行融合，该操作有助于提升模型的表达能力。

3.dense feature fusion (DFF)

包括Global feature fusion 和Global residual learning 。
Global feature fusion表示对F 1，F 2……F D特征的利用。

Global residual learning表示F -1和F GF的加和操作。和RDB类似。

4.up-sampling net (UPNet)

网络最后的上采样+卷积操作。实现了输入图片的放大操作，采用PixelShuffle进行上采样。

总结

通过实验结果表明，RDN针对不同退化模型获得的LR图像，超分辨得到的HR图像，有着很好的实验效果。
RDB结合了Residual Block和DenseBlock的思想并进行改进，网络细节部分做得很好。
文章在网络架构的描述，各个网络组成的数学表达，与相关类似工作的比较，论文写作方式及语言描述值得学习。