【文章閱讀】【超解像】–Fast and Accurate Image Super-Resolution with Deep Laplacian Pyramid Network

論文連結：https://arxiv.org/abs/1710.01992

專案主頁：http://vllab.ucmerced.edu/wlai24/LapSRN/

本文在前期LapSRN基礎上做了不同金字塔層之間的引數共享和DRRN的遞迴卷積網路結構。

1.主要貢獻

​ 1). 金字塔的不同層之間引數共享；

​ 2). 使用了DRRN的遞迴網路結構；

​ 3). 低解析度輸入，利用robust charbonnier loss function(

網路結構如下：

2.論文分析

​ 1). 引數共享

​ 不同層之間引數共享，在pyramid level之間進行引數共享：

​ 同一層內的引數共享，每層之間是遞迴卷積結構，遞迴模組之間引數共享

2). 遞迴網路結構

​ 在不同的金字塔層中利用遞迴卷積結構：解決梯度消失問題，利用引數共享降低網路引數數量。

效能如上圖：

$Lap$

$L$

$LapSRN_{SS}$ : Shared-source skip connection 圖4中的©,效能更好一些

遞迴網路結構中的D為每個金字塔層的conv數，R表示迴圈次數，不同的D和R的對最終效能如下：

不同的R和D表示的網路結構引數數量如下：

3). 損失函式

3.結果分析

不同的方法的模型引數如下：

結果如下：

4.參考

https://blog.csdn.net/shwan_ma/article/details/78690974

論文個人理解，如有問題，煩請指正，謝謝！