EDSR模型介绍.docx
需积分: 38 43 浏览量
2020-02-12
10:58:13
上传
评论 1
收藏 294KB DOCX 举报
图像超分辨率文献 EDSR：Enhanced Deep
Residual Networks for Single Image Super-
Resolution
韩国首尔大学研究团队提出的用于图像超分辨率任务的新方法，分别是增强深度超分
辨率网络（enhanced deep super-resolution network，EDSR）和一种新的多尺度深
度超分辨率（multi-scale deep super-resolution system，MDSR），在减小模型大
小的同时实现了比当前其他方法更好的性能，分别赢得 NTIRE2017 超分辨率挑战赛的第
一名和第二名。
简介
1. 目前在解决 SR 问题上，使用深度神经网络的算法在提高 peak signal-to- noise
ratio (PSNR) 指标上获得了显著的效果。但是，这种网络也在结构最优化原则
（architecture optimality）下也暴露了其局限性。
第一，神经网络模型的重建效果会受到网络模型细微变化的影响，不同的初始化
和训练方法会导致不同级别的执行效果。
第二，现有的 SR 算法把不同缩放因子（scale）的超分辨率作为独立的问题，没
有考虑和利用不同缩放倍数的 SR 之间的相互关系。这就导致需要独立训练很多
的 scale-speci&c 的网络来解决不同 scale 的 SR 问题。
2. EDSR 可以在单个网络中同时处理多个 scale 的超分辨率。使用多个尺度训练 EDSR
模型可以大幅提升性能，超过 scale-speci&c 的训练，这意味着 scale-speci&c 的模
型中存在冗余。尽管如此，EDSR 型的架构需要双三次插值图像作为输入，这与
scale-speci&c 的上采样方法的架构相比，需要更多计算时间和存储空间。
3. 原始 ResNet 用于高层视觉问题如分类和检测，把 ResNet 直接用于 SR 并不是最优
的。本文针对这个问题，基于 SRResNet 结构，移除了没有必要的模块以简化网络结
构，此外，还选用合适的损失函数（文中使用 L1 loss），并且在训练过程中进行谨
慎的模型修改。
4. 文中提出了一种多尺度模型 MDSR，不同的尺度下有绝大部分参数都是共用的。这样
的模型在处理每一个单尺度超分辨下都能有很好的效果。
资源评论
