FC$^2$N：用于单图像超分辨率的完全通道拼接网络
图像与视频处理
2021-05-06 v4 计算机视觉与模式识别
摘要
当前大多数基于卷积神经网络（CNN）的图像超分辨率（SR）方法在网络结构设计中采用残差学习，这有利于有效的反向传播，从而通过增加模型规模来提升SR性能。然而，残差网络因引入恒等路径而导致表征冗余，阻碍了模型容量的充分利用。此外，即便采用残差学习，盲目扩大网络规模也会在模型训练中引发更多问题。本文提出一种新颖的完全通道拼接网络（FCN），以进一步挖掘深度模型的表征容量，其中所有层间跳跃均通过一种简单直接的运算实现，即加权通道拼接（WCC），其后接一个11卷积层。基于WCC，该模型可实现网络中线性与非线性特征的联合注意力机制，并以更少的模型参数取得优于其他最先进SR模型的性能。据我们所知，FCN是首个不使用残差学习且网络深度超过400层的CNN模型。此外，它在大规模和轻量级实现中均表现出优异性能，说明了模型表征容量的充分利用。
引用
@article{arxiv.1907.03221,
title = {FC$^2$N: Fully Channel-Concatenated Network for Single Image Super-Resolution},
author = {Xiaole Zhao and Ying Liao and Tian He and Yulun Zhang and Yadong Wu and Tao Zhang},
journal= {arXiv preprint arXiv:1907.03221},
year = {2021}
}
备注
17 pages, 8 figures and 4 tables