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。
版权声明: 本文为 InfoQ 作者【AIWeker-人工智能微客】的原创文章。
原文链接:【http://xie.infoq.cn/article/a9a4d17cb33ff9d4f2fb1e513】。文章转载请联系作者。
评论