图像超分辨率：发散-收敛网路D2C-SR: A Divergence to Convergence Approach for Real-World Image Super-Resolution

D2C-SR: A Divergence to Convergence Approach for Real-World Image Super-Resolution

1.论文目的

该论文引入一个从发散到收敛的网络，具体来说，首先训练4个网络分支，然后再融合为一个。

2.网络结构

网络结构比较清晰，如下图，Basic branch 一些 conv residual block, divergence阶段分别得到4个预测。
convergence阶段 通过weight map 进行像素级的fusion.

2.1 divergence阶段的损失函数

一个是重建损失L2， 每个分支单独的各自的损失。

一个是三元组损失，目的是 $I_{d}^i $ 与 $I_{HR}$ 更接近，$I_{d}^i $ 之间更远
为了是损失更关注纹理细节，而不是颜色，亮度，因此首先转换为 Y 空间，再规范化

再计算残差

然后对 残差建立 三元组损失， 使 $I_{d}^i $ 与 $I_{HR}$ 残差 比 $I_{d}^i $ 与 $I_{d}^j $ 更接近

其中trip

devergence阶段的总体损失

2.2 convergence 阶段的损失函数

收敛阶段就是如总体框架图所示，首先预测 weight map,然后通过weight map进行融合

损失函数使融合后的图像与 gt的L2 范数

3. 示例图

总结，创新点主要就是分别训练多个网络，然后再对各个网络的结果进行fusion. 效果为什么会好？ 也许信息融合更多，也许网络模块更多，skip较多。