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。