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