1. 创新点：
- 反馈机制（feedback mechanism）
- 课程学习 （curriculum learning）
2. 摘要：
在这篇论文中，作者提出了一种图片超分辨率反馈网络（SRFBN），从而通过高层信息来细化低层信息。具体这种反馈机制，是用具有约束的RNN中的隐状态来实现这种反馈机制。这种反馈机制能够产生非常强的高层表征能力。
3.预备知识：
3. 1 feedback mechanism：
反馈机制能够允许该网络携带当前的输出去纠正之前的一些状态。
针对图片超分辨率中的feedback mechanism，有两个必要条件：
1）迭代 ；见下图【Fig.1(b)】
2）重新路由（rerouting）系统的输出，以纠正（correct）每个循环中的输入。
在本文提出的网络结构中，实施feedback mechanism，有三个必不可少的部分:
1）在每一次迭代过程中都绑定loss；
2）使用循环结构（实现迭代的过程）；
3）在每一次迭代过程中提供低分辨率图片的输入。
上面三个部分缺一不可。
3.2 curriculum learning：
4. 网络结构
4.1 整体结构
见图【Fig.2】我们提出的SRFBN可以被展开为T个迭代，迭代的顺序是从1到t，为了使得中间的状态能够携带一些输出信息，我们在每一次的迭代后面都会绑定一个loss值。网络结构被分为三个模块：很好理解，数学公式就暂时不放了，很好理解。
- LRFB (Low Resolution Feature Extractor Block)
- FB （Feedback Block）
- RB （Reconstruction Block）
公式如下：
4.2 Feedback Block (后面补充)
见下图【Fig.3】 公式如下：
5. 实验
5.1 实验设置
- 数据集: DIV2K数据集 和 Flickr2K 数据集
- batchsize: 16
- patchsize
| scale factor | x2 | x3 | x3 |
|---|---|---|---|
| input patch size | 60x60 | 50x50 | 40x40 |
- learning rate： 初始设置为0.0001，每200个epoch降低一半
- loss： L1 loss
- optimizer: Adam
5.2 消融实验(略)
5.3 实验结果
-
参数对比:
- SRFBN（T=4,G=6,feats=64）
- SRFBN-S(T=4,G=3,feats=32)
-
BI
-
BD 和DN
-