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