【文章阅读】【超解像】–Image Super-Resolution Using Dense Skip Connection

论文链接：http://openaccess.thecvf.com/content_ICCV_2017/papers/Tong_Image_Super-Resolution_Using_ICCV_2017_paper.pdf

code(非官方)：https://github.com/kweisamx/TensorFlow-SR-DenseNet

1.主要贡献

​ 本文将Densenet网络结构引入到SR问题中，并利用1*1卷积核进行模型压缩，利用skip结构将低层图像特征传输到高层，用于提取更多的图像特性用于图像重建。

2.论文分析

​ 本文提出的网络结构：

网络分为a,b（四个部分）c(五部分)

​ 低层特征、高层特征、(bottleneck层)、反卷积层、重建层

上述三个网络结构的性能如下，c网络结构性能较好，不同层的网络特征叠加对最终的图像重建有好处，可以传输更多的图像细节用于图像重建。

损失函数：MSE

​ **函数是ReLU、使用Adam进行优化、初始学习率为0.0001，每隔30轮训练后降低10倍，loss无提高60轮后终止训练。

3.结果分析

放大4倍的结果比较：

4.分析

​ 深层网络结构进行SR的好处：

1） 网络越深，越多的信息用于用于高分辨率图像重建

​ 2） 网络越深，使用了更多的**函数，即引入了更多的非线性，更多的非线性能学习到更多的低分辨了到高分辨率更加复杂的图像映射关系。

论文个人理解，如有问题，烦请指正，谢谢！