【文章閱讀】【超解像】–Image Super-Resolution via Deep Recursive Residual Network

論文連結：http://cvlab.cse.msu.edu/pdfs/Tai_Yang_Liu_CVPR2017.pdf

caffe code：https://github.com/tyshiwo/DRRN_CVPR17

TensorFlow code: https://github.com/LoSealL/VideoSuperResolution

pytorch code: https://github.com/jt827859032/DRRN-pytorch

1.主要貢獻

​ 提出一種遞迴殘差網路結構，在增加網路層數的基礎上，可使網路引數少，網路效能優。

​ a) 多通路殘差網路結構

​ b)遞迴網路結構

​ 網路結構：

​ 說明：B表示遞迴網路網路結構個數，U表示遞迴網路結構中殘差單元個數（後續有講解）總的網路層數為： $d=(1+$

2.論文分析

a) 網路結構

​ 該結構在Resnet，VDSR，DRCN的結構基礎之上改進而來。

​ 下圖d中，紅色虛線框表示遞迴單元，包含兩個殘差單元

​ 不同的殘差單網路結構：

b) 不同模型的網路數學策略(具體公式含義參考論文)

c) 損失函式
$L(\Theta)=\frac{1}{2N}\sum_{i=1}^N\|\widetilde{x}^{(i)}-D(x^{(i)})\|^2$
d) 實驗細節

​ 資料增強：影象翻轉，旋轉（90°、180°、270°），旋轉後的影象水平翻轉，資料量增加7倍，運用不同的放大倍數影象進行同一個模型訓練，訓練影象大小為31x31。

​ 訓練策略：SGD min-batch 128, momentum 0.9，初始學習率為0.1，每10輪學習率下降一半，同時使用梯度自動裁切技術。

​ 卷積核相關：卷積核大小為3x3，個數為128

3.結果分析

​ 利用52層的網路結構，利用遞殘差網路結構有兩種實現方式：B1U25(k=297K), B17U1(k=7375K)(k表示引數數量)，與其他模型的比較結果如下PSNR和SSIM：

本文還利用了一種資訊保真度(Information Fidelity Criterion IFC )的評價指標(後續研究)：

還有一些主觀的評價：

最後作者比較了傳統方法，非傳統方法，淺層網路結構和深層網路結構的特性，目的為說明本模型好。

論文個人理解，如有問題，煩請指正，謝謝！