2017-Enhanced Deep Residual Networks for Single Image Super-Resolution(EDSR)
基本信息
作者： Bee Lim Sanghyun Son Heewon Kim Seungjun Nah Kyoung Mu Lee
期刊： CVPR2017
引用： *
摘要： 随着深度卷积神经网络（DCNN）的发展，最近对超分辨率的研究取得了进展。 特别是，残差学习技术表现出改进的性能。 在本文中，我们开发了一种增强的深度超分辨率网络（EDSR），其性能超过了当前最先进的 SR 方法。 我们模型的显着性能改进是由于通过删除传统残差网络中不必要的模块进行的优化。 在我们稳定训练过程的同时，通过扩大模型大小进一步提高了性能。 我们还提出了一种新的多尺度深度超分辨率系统（MDSR）和训练方法，可以在单个模型中重建不同放大因子的高分辨率图像。 所提出的方法在基准数据集上显示出优于最先进方法的性能，并通过赢得 NTIRE2017 超分辨率挑战赛证明了其卓越性。
1.简介
介绍SISR的基本概念，并指出在大部分SISR研究中，HR和LR之间都是使用Bicubic，但在实际应用中也可以考虑其他退化因素，例如模糊、抽取或噪声。
近期的作品VDSR、DRCN、SRResNet等模型在PSNR上表现很好，但是仍有以下局限性：
- 神经网络模型的重建性能对微小的架构变化很敏感。此外，相同的模型通过不同的初始化和训练技术实现不同级别的性能。因此，精心设计的模型架构和复杂的优化方法对于训练神经网络至关重要。
- 大多数现有的SR算法将不同尺度因素的超分辨率视为独立问题，而没有考虑和利用SR中不同尺度之间的相互关系。因此，这些算法需要许多特定尺度的网络，需要独立训练以处理各种尺度的问题。
- VDSR用多种尺度训练VDSR模型可以大幅提高性能，并优于特定尺度训练，这意味着特定尺度模型之间存在冗余。然而，VDSR风格的架构需要双三次插值的图像作为输入，这导致了与具有特定尺度上采样方法的架构相比更多的计算时间和内存
- SRResNet成功地解决了这些时间和内存问题，并具有良好的性能，但它只是简单地采用了He等人的ResNet架构，没有做太多修改。然而，最初的ResNet是为了解决更高层次的计算机视觉问题，如图像分类和检测。因此，将ResNet结构直接应用于低层次的视觉问题，如超分辨率，可能是次优的。
为了解决以上问题，基于SRResNet，本文作者进行了如下改进：
- 先通过分析和删除不必要的模块来优化它，以简化网络架构。用适当的损失函数训练网络，并在训练时仔细修改模型。
- 其次，我们研究了从其他尺度训练的模型转移知识的模型训练方法。为了在训练中利用与尺度无关的信息，我们从预先训练的低尺度模型中训练高尺度模型。<
3635
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
