写点什么

AI 简报:图像超分模型 EDSR+RDN

  • 2022 年 5 月 19 日
  • 本文字数:694 字

    阅读完需:约 2 分钟

AI简报:图像超分模型 EDSR+RDN

图像超分模型 EDSR

  • Enhanced Deep Residual Networks for Single Image Super-Resolution

1. 网络结构设计

1.1 去除 BN


论文 BN 平滑了特征,可能影响到图像的重构,另一方面去除 BN 可以节省 40%的显存的使用(需要存储 mean 和 var),可以构建更大的网络来提高性能。

1.2 网络结构


上图为单尺度模型:ResBlock 深度=32, feature map = 256


在 ResBlock 采用了 Inception-v4 中的残差的观点: 引入了residual connection以后,网络太深了不稳定,不太好训练,到后面可能全变为0了,而通过引入scale=0.1 。在残差相加前,乘以一个 scaling factor,通常是 0.1,稳定训练。


多尺度模型结构如下:



ResBlock 深度=80 feature map = 64


详细如下:


2. 训练

  • 数据集: DIV2K

  • input size = 48*48

  • optimizer:ADAM (0.9,,0.999,10e-8)

  • batch size = 16

  • init lr:10e-4, 每 2*10e5 step 减半

  • Loss: L1/L2

  • augmentation: 水平 flip, 选择 90

  • Geometric Self-ensemble:测试时,7 种不同的 augmentation 输入,得到 7 个 HR+自身输入得到的 HR,共 8 个,进行求均值。论文指出可以达到多模型融合的效果。

3. 结果



图像超分模型 RDN

  • Residual Dense Network for Image Super-Resolution

1. 意图

扩展残差学习,加入 Densnet connection:Residual learning + Densnet

2. 网络结构设计

2.1 全局残差学习

所有 RDB 的全局 fusion(GFF)



  • RDB: 20 个

2.2 RDB: residual Block + dense Block


  • RDB 中 conv: 6 个

  • Densnet Grow rate: 32

2.3 不同结构的比较

CM 的只是 dense connection(Densnet)


3. 训练

  • flip: flipping horizontally or vertically

  • rotating 旋转: 90 180 270

  • batch-size: 16

  • image size: 48x48 / 32x32

  • adam: init lr: 10-4, after 200 epoch: 5x10-5

4. 结果






发布于: 刚刚阅读数: 3
用户头像

公众号:人工智能微客(weker) 2019.11.21 加入

人工智能微客(weker)长期跟踪和分享人工智能前沿技术、应用、领域知识,不定期的发布相关产品和应用,欢迎关注和转发

评论

发布
暂无评论
AI简报:图像超分模型 EDSR+RDN_人工智能_AIWeker-人工智能微客_InfoQ写作社区