HiNet阅读笔记

HINet: Half Instance Normalization Network for Image Restoration

摘要

• 提出了一种新的block:半实例归一化块(HIN block)
• 图像恢复任务sota
  一些效果展示
  

引言

• 批处理归一化不能提高超分辨率网络的性能
• 批归一化消除了网络的范围灵活性
• 图像恢复任务通常使用小的图像patch和小的mini-batch size来训练网络，这导致BN的统计不稳定。
• 实例标准化在某种程度上是底层特性的标准化。他们通过调整样式图像到内容图像的实例标准化中的通道统计数据，对样式传输任务提出了自适应实例标准化
• 自适应实例归一化

---

结构方面以往工作：

• 在神经网络中引入了成熟的高斯-拉普拉斯图像金字塔分解技术，并使用一个相对较浅的网络来处理每个金字塔层的学习问题
• 通过反复展开一个浅ResNet提出了一个渐进的循环网络，并引入了一个循环层来利用跨阶段的深层特征的依赖关系
• 提出了深度堆叠分层多patch网络。每个层次关注不同尺度的模糊，较细的层次将其残差图像贡献给较粗的层次
• 一种多级渐进图像恢复架构，其中有两个编码器-解码器子网络和一个原始分辨率子网络
• 监督注意模块(SAM)和每两阶段之间的跨阶段特征融合模块(CSFF)

方法

总体结果如下所示：

本文提出的半实例标准化：
本文的半实例标准化是通过通道上面进行划分的

损失函数：

SAM的结构

CSFF模块：

后面有时间再来补充这篇论文笔记