.
概览
EDSR是一篇经典的超分论文，在NTIRE 2017比赛的超分挑战中获胜，并在2017年发表成文。EDSR对后续的超分算法有很重要的影响，至今（2021年）在学术界也常被引用，同时也很受工业界落地需求的欢迎。下面是EDSR的几个主要创新点：
- 通过去除传统残差网络中不必要的模块，EDSR在效果上获得了显著的提高。
- 通过扩大模型参数、增加模型参数，且同时稳定训练过程，EDSR的效果得到了进一步提升。
- 同时，本文还提出了一个针对不同尺度的深度超分系统MDSR(Multi-Scale Deep Super-Resolution)，该系统可以对图像同时进行不同倍数的放大(x2/x3/x4)。
.
解决的问题
所有算法的提出都是为了解决和改进一些问题，EDSR作者发现的问题如下：
- 首先，DNN超分模型的效果性能对模型结构的改变非常敏感，即使模型结构变化很小。
- 其次，大部分现有（2017年前）的超分算法都将不同放大倍数(x2/x3/x4)的超分任务区分为独立的任务来处理，针对不同倍数训练单独的模型。这样的做法忽略了不同放大尺度的超分任务和数据之间的相关性。
.
方法
接下来开始具体的EDSR模型介绍。首先就单一放大倍数的EDSR模型结构进行介绍，然后再介绍多尺度超分结构MDSR。
残差卷积模块 Residual Blocks
通过使用更好的残差卷积块（residua
3635
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
