【文章閱讀】【超解像】-Fast and Accurate Image Super-Resolution with Deep Laplacian Pyramid Network
阿新 • • 發佈:2018-12-31
【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( LapSRN提出)
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:
: No skip connection 圖4中的(a)
: Distinct-source skip connection 圖4中的(b)
: 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!