SRFBN(Feedback Network for Image Super-Resolution)阅读笔记
paper: https://arxiv.org/abs/1903.09814
一、简介
进一步探索反馈机制(权重共享)在超分中的运用。
二、主要内容
1、 Network structure
在我看来就是基于DRCN大框架的一个对反馈机制的进一步改进,相当于把DRCN中的权重共享层换成了权重共享模块(FB),并加了一些skip connection。
-
浅层特征提取:
-
第t个权重共享模块的输出:
-
第t个权重共享模块的中间监督输出:,其中
2、 Feedback block
简而言之,反馈模块就是反复上采样再下采样操作,同时,对所有上采样后的特征用dense connection,也对下采样后的特征用dense connection,中间用1*1卷积来降低计算量。
-
输入特征:
-
上采样后的特征:
-
下采样后的特征:
-
输出特征:
3、 Curriculum learning strategy
简而言之就是,中间监督的真值会根据任务难度进行选择,比如单一的bicubic降采样退化,所有的真值都是一样的;而对于BD(bicubic+blur)退化,头两个中间监督输出用带高斯模糊的真值,之后的中间监督用不带高斯模糊的真值。
三、实验
@inproceedings{li2019srfbn,
author = {Li, Zhen and Yang, Jinglei and Liu, Zheng and Yang, Xiaomin and Jeon, Gwanggil and Wu, Wei},
title = {Feedback Network for Image Super-Resolution},
booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
year= {2019}
}