Fast Image Processing with Fully-Convolutional Networks

摘要：
提出一种方法用来加速很多种的图像处理操作。使用全卷积网络来做这些操作。在10中图像处理操作上评估提出的方法。本文章的目的就是用一个结构的神经网络来完成各种各样的图像处理算法处理出来的效果。

论文算法提出的三个要求：准确率，速度和紧凑性
因为要使用在不同尺寸的图上，所以考虑全卷积，
实验发现为高分辨率设计的网络用在低分辨率上就会有更好的效果，考虑原因是因为感受野更大。

Context aggregation networks

CAN网络是个全连接网络，他引入了空洞卷积的概念，驾驶卷积核不再是卷积相邻的像素，而是中间有间隔，所以同样是3x3的卷积核，他的感受野就会因为他的间隔会变大，通过这样的方法可以在不减低分辨率（不使用pooling的情况下）来提升感受野的大小。所以用这个网络就不改变中间层的尺寸（长宽）

Adaptive normalization

Adaptive normalization

就是让网络自己决定用不用BN,如图的两个参数就是用来控制直接传递还是用BN，和他们的比例

trainging：

训练的过程，这里损失函数用的就是简单的MSE,来最小化每个像素的差别，作者说尝试过感知损失和对抗损失，但也没什么效果，而且对抗损失还不稳定，意思是gan不好训练

experiments

这里实验用了两个数据集MIT-Adobe 5K和 RAISE，两个数据集都是一半训练集一半测试集，然后用十种处理方式来处理原始数据，得到目标数据，然后训练的目的就是用神经网络来实现他们这些处理的效果。

以上是个人阅读论文笔记，如有错误，希望大家批评指正，谢谢