admin管理员组

文章数量:1650776

论文地址:https://urlify/2AZfmi

总述:本论文是南京大学发表在CVPR2020上的一篇工作。现如今在单图像超分领域,研究者通过设计非常深的神经网络(RCAN,SAN,RDN等)来进行训练,从而达到非常好的效果。本篇论文也是从网络结构设计的角度来更好地解决图像超分的问题,小编推荐这篇论文的理由在于同样是很深的网络结构,但是该方法(11M)在参数量小于RCAN(16M),SAN(15.7M)等深度网络的情况下,其衡量指标PSNR却远高于这些方法

方法

1. 单图像超分的基本网络结构

基本的单图像超分网络包含三个部分:head part (1层卷积提取特征),trunk part (堆叠多个基础模块) 和 reconstruction part (主要是upsample模块)。关于损失函数,本论文使用L1损失。

2. 残差特征聚合框架
为了更加充分利用残差分支的分层特征,本论文设计了残差特征聚合模块如下图所示:

将每个残差块得到的特征做一个concat操作,并通过1x1的卷积做一个降feature的操作。

本文标签: 论文aggregationfeatureResidualNetwork