图像超分辨论文理解：Residual Dense Network for Image Super-Resolution

该论文出自2018年。
文章主要围绕如何充分利用以前层的信息，从而使用了dense连接和残差结构。
dense连接可以将以前层的输出传递到当前层的输入上，从而可以充分利用以前层的特征信息。而残差结构可以使训练稳定并加速训练过程，提高网络性能。
网络结构如下：

该网络主要由四部分组成：
1、shallow feature extraction net (SFENet)
该层由两个卷积层组成，第一个卷积对输入的LR图像进行特征提取，得到F(-1)，第二个卷积对输入F(-1)进行特征提取得到F(0)，作为之后残差密集快的输入。F(-1)还用于之后的全局残差操作。
2、redidual dense blocks (RDBs)
如下图所示：

将上一个残差密集块的输出（第一个残差密集块的输入是SFENet的输出F(0））以密集连接的方式，传递到当前RDB中每个卷积层的输入上，RDB中各个卷积层的输出同样也以密集连接的方式传递到之后的各个卷积层的输入上，最终将最后一个卷积层的输出和之前层的输出连接起来，再通过一个11的卷积进行特征融合，最后与上一层RDB的输出加起来产生当前RDB的输出，以此类推。
3、dense feature fusion (DFF)
分为全局的dense融合和局部dense融合。在RDB中，将最后一个卷积层的输出和之前层的输出连接起来，再通过一个11的卷积操作，这就是局部dense融合。全局dense融合是将每个RDB的输出连接起来，然后再通过一个11的卷积操作，接着再使用一个33的卷积进一步进行特征提取，得到最终的全局融合特征。
4、up-sampling net (UPNet)
在进行上采样之前，通过一个全局残差将输出的全局融合特征和浅层特征提取网络提取的特征F(-1)加起来，将所得结果作为UPNet的输入，进行最后的超分辨操作，得到相应的HR图像。