图像超分辨EDSR：Enhanced Deep Residual Networks for Single Image Super-Resolution，论文笔记

图像超分辨EDSR：Enhanced Deep Residual Networks for Single Image Super-Resolution，论文笔记

简介

• 作者提出的模型主要是提高了图像超分辨的效果，并赢得了NTIRE2017 Super-Resolution Challenge。
• 做出的修改主要是在残差网络上。残差结构的提出是为了解决high-level问题，而不能直接套用到超分辨这种low-level视觉问题上。因此作者移除了残差结构中一些不必要的模块，结果证明这样确实有效果。
• 另外，作者还设置了一种多尺度模型，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。

模型

Residual blocks

• 作者的原话是：Since batch normalization layers normalize the features, they get rid of range flexibility from networks by normalizing the features。因此有必要把batch norm层移除掉。另外，和SRResnet相似，相加后不经过relu层。最终的结构图如下：
  
• 值得注意的是，bn层的计算量和一个卷积层几乎持平，移除bn层后训练时可以节约大概40%的空间。
• 太多的残差块会导致训练不稳定，因此作者采取了residual scaling的方法，即残差块在相加前，经过卷积处