【文章阅读】【超解像】–Fast and Accurate Image Super-Resolution with Deep Laplacian Pyramid Network

论文链接：https://arxiv.org/abs/1710.01992

项目主页：http://vllab.ucmerced.edu/wlai24/LapSRN/

本文在前期LapSRN基础上做了不同金字塔层之间的参数共享和DRRN的递归卷积网络结构。

1.主要贡献

​ 1). 金字塔的不同层之间参数共享；

​ 2). 使用了DRRN的递归网络结构；

​ 3). 低分辨率输入，利用robust charbonnier loss function(LapSRN提出)

网络结构如下：

2.论文分析

​ 1). 参数共享

​ 不同层之间参数共享，在pyramid level之间进行参数共享：

​ 同一层内的参数共享，每层之间是递归卷积结构，递归模块之间参数共享

2). 递归网络结构

​ 在不同的金字塔层中利用递归卷积结构：解决梯度消失问题，利用参数共享降低网络参数数量。

性能如上图：

$LapSRN_{NS}$LapSRNNS​ : No skip connection 图4中的(a)

$LapSRN_{DS}$LapSRNDS​ : Distinct-source skip connection 图4中的(b)

$LapSRN_{SS}$LapSRNSS​ : Shared-source skip connection 图4中的©,性能更好一些

递归网络结构中的D为每个金字塔层的conv数，R表示循环次数，不同的D和R的对最终性能如下：

不同的R和D表示的网络结构参数数量如下：

3). 损失函数

3.结果分析

不同的方法的模型参数如下：

结果如下：

4.参考

https://blog.****.net/shwan_ma/article/details/78690974

论文个人理解，如有问题，烦请指正，谢谢！