超分辨率——FC2N: Fully Channel-Concatenated Network for Single Image Super-Resolution

2019 中国电子科技大学

作者针对于 目前很多超分辨率文章，通过增大模型的深度或者宽度（利用残差模块），提高模型性能，作者认为，即使这样，residual block的短链接限制了模型的表达能力，因此作者提出了$F{C}^{2}N$模型，这个模型利用 short skip 和 global skip，另外，feature map 融合通过cat，而reidual net 是通过add。
这篇文章，也属于提出 block的文章，因此，先介绍论文布局：

• Abstrack

• Introduction

• Related work
  2.1.Image super-resolution with deep learning
  2.2 Interlayer bypass connections

• Fully Channel-Concatenated Network

  1. weighted channel concatenation
  2. overall networj structure
  3. Concat group
  4. Training objective
  5. Implementation details

• Experimental Results

  1. Settings
  2. Model analysis
     1. Weighted channel concatenation
        1. Comparision to residual baseline
        2. Learnable weighting factors
     2. Concat group and concat block
  3. Comparision with adcanced methods
     1. Quantitative ecaluation
     2. Visual evaluation

• Conclusion

Method

文章提出 concat group和 concat block，其中 concat group由若干个 concat block组成，我们来看看网络结构：

可以看到每个CG都是 long skip，其实这个效果好也是可以理解的：我们把输入到输出这个路径看作一个信号流，那么，这行长连接，使得输入到输出之间的通路越多，因此，最后重建的时候，不仅能由浅层信号，也有深层信号，这也是作者文章的中心点
这张 图解释的是 concat block与其他文章的不同，另外（学习作者，讲故事）
谢谢作者！！！
2019.7.31