写点什么

AI 简报:图像超分模型 RCAN+SRResNet

  • 2022 年 5 月 15 日
  • 本文字数:766 字

    阅读完需:约 3 分钟

AI简报:图像超分模型RCAN+SRResNet

1.RCAN:Image Super-Resolution Using Very Deep Residual Channel Attention Networks

1.1 意图

EDSR 通过构建深度的残差模块获得显著的 SR 性能的提升,意图引入有效利用 channel-wise features 来构建有效的深度 SR 模型。


  • high-frequency channel-wise features are more informative for HR reconstruction.

  • It also indicates that deeper networks may be easier to achieve better performance than wider networks.

1.2 网络结构设计

CA channel attention

LR 中有冗余的低频信息和有价值的高频信息,如边缘,纹理和其他细节。 利用 attention 来甄别信息权重。 CA 基本和 SE-Net 的注意力机制一样。


RCAB = CA + Residual Block

1.3 总体结构:全局残差和局部残差


  • RG 数量: 10

  • RCAB: 20

  • number of feature map: 64

1.4 结果



2.SRGAN + SRResNet:Photo-realistic single image superresolution using a generative adversarial network

2.1 意图

  • how do we recover the finer texture details when we super-resolve at large upscaling factors?

  • 亮点

  • perceptual loss function

  • GAN

2.2 网络结构设计


从上可知网络分为生成网络(SRRestnet) 和判别网络, 各个参数在图中有清晰的标明。生成网络(SRRestnet)采用的是残差模式,残差模块 B=16

perceptual loss function

最小化基于 MSE 的 loss, 鼓励像素的均值化,导致平滑模糊,缺少感知质量。



perceptual loss function 包含内容 loss 和对抗 loss



  • 内容 lossMSE loss



  • 内容 VGG loss:VGG 19 特征层的 MSE loss



  • 对抗 loss 对抗 loss 就是正常的对抗网络的 loss



  • 2.3 训练

    • 训练数据:350 thousand images from ImageNet

    • batch size : 16

    • input size: HR(9696) LR(2424)

    • Adam: 0.9

    • SRResnet: lr 1e-4, 1e6 更新一次 1e-5

    • loss:选择不同的 loss(mse,感知 loss(vgg 不同层 vgg22, vgg54)


    2.4 结果

    PSNR 不能是唯一标准,PSNR 高画面质量人为感知不一定好。







    发布于: 刚刚阅读数: 2
    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RCAN+SRResNet_人工智能_AIWeker-人工智能微客_InfoQ写作社区