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}
}