利用双路径连接与多尺度学习的高效单图像超分辨率

近年来，深度卷积神经网络已被证明对单图像超分辨率（SISR）十分有效。一方面，残差连接与密集连接被广泛用于缓解前向信息与反向梯度流以提升性能。然而，当前方法在大多数网络层中分别以次优方式单独使用残差连接与密集连接。另一方面，尽管已设计各种网络与方法来提升计算效率、节省参数或利用多尺度因子的训练数据相互提升性能，但其要么在高分辨率（HR）空间进行超分辨率而计算成本高，要么无法在不同尺度因子的模型间共享参数以节省参数与推理时间。为应对这些挑战，我们提出一种利用双路径连接与多尺度学习的高效单图像超分辨率网络，命名为 EMSRDPN。通过将受双路径网络启发的双路径连接引入 EMSRDPN，其在大多数网络层中以一种集成方式使用残差连接与密集连接。双路径连接兼具复用残差连接公共特征与探索密集连接新特征的好处，从而学习到用于 SISR 的良好表示。为利用多尺度因子的特征相关性，EMSRDPN 在不同尺度因子间共享 LR 空间中的所有网络单元以学习共享特征，且仅对每个尺度因子使用单独的重建单元，这能利用多尺度因子的训练数据相互帮助提升性能，同时可节省参数并支持多尺度因子的共享推理以提高效率。实验表明，相较 SOTA 方法，EMSRDPN 取得了更优性能以及相当甚至更好的参数与推理效率。