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