【论文笔记】(SR)《Residual Dense Network for Image Super-Resolution》

《Residual Dense Network for Image Super-Resolution》论文阅读笔记

针对的问题 :针对目前大多数基于CNN的SR模型不能充分利用原始低分辨率(LR)图像的层次特征(the hierarchical features ),只实现了较低的表现。
提出的办法 :提出了一种 residual dense network (RDN)解决这个问题。

  • 使用 residual dense block (RDB) :使用密集连接的卷积层来提取局部特征
  • RDB会将前面的RDB状态连接到当前RDB的所有层,从而形成 contiguous memory (CM) mechanism (其实就是每一个RDB输出都可以连接到下一个RDB的每一层,从而形成状态的连续传递),利用之前的特征和当前的特征自适应的学习出更有效的特征
  • 采用全局特征融合对全局特征层次来自适应学习特征
    【论文笔记】(SR)《Residual Dense Network for Image Super-Resolution》_第1张图片
    网络结构
    【论文笔记】(SR)《Residual Dense Network for Image Super-Resolution》_第2张图片
    共包含四部分:
  • SFENet shallow feature extraction net
  • RDBs redidual dense blocks
  • DFF dense feature fusion
  • UPNet up-sampling net

经过两次卷积的浅层特征提取后,输入RDB,经过一系列RDB后,将所有RDB输出特征cat在一起后使用1x1降维,加上浅层特征信息,最后利用一个UPNet加大尺度。
细节

RDB

【论文笔记】(SR)《Residual Dense Network for Image Super-Resolution》_第3张图片
Contiguous memory mechanism :将上一个RDB的状态传到当前RDB的每一层。。。
Local feature fusion 融合先前RDB状态和当前RDB的所有状态,使用1x1卷积来控制输出信息
其中G越大,没有LFF的深层dense网络越难训练。G=[Fd-1,Fd,1,…,Fd,c-1]
Local residual learning 提升信息流

DFF

Dense Feature Fusion : 用一种全局方式来探索层次特征
包括 global feature fusion (GFF)and global residual learning。
Global feature Fusion 通过混合所有RDB的特征来提取全局特征
Global residual learning 就是一个残差连接

你可能感兴趣的:(论文笔记,深度学习,神经网络)