使用具有对称跳跃连接的非常深卷积编解码网络进行图像复原
计算机视觉与模式识别
2016-09-02 v2
摘要
在本文中，我们提出了一种非常深的全卷积编码-解码框架，用于图像复原，例如去噪和超分辨率。该网络由多层卷积和反卷积算子组成，学习从受损图像到原始图像的端到端映射。卷积层充当特征提取器，在消除噪声/损坏的同时捕捉图像内容的抽象。随后使用反卷积层来恢复图像细节。我们提议用跳跃层连接对称地链接卷积层与反卷积层，借此训练收敛更快并达到更高质量的局部最优。首先，跳跃连接允许信号直接反向传播到底层，从而解决梯度消失问题，使深度网络训练更容易，进而获得复原性能提升。其次，这些跳跃连接将图像细节从卷积层传递到反卷积层，有利于恢复原始图像。值得注意的是，凭借大容量，我们可以使用单一模型处理不同水平的噪声。实验结果表明，我们的网络取得了优于所有先前报道的最先进（state-of-the-art）方法的性能。
引用
@article{arxiv.1603.09056,
title = {Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections},
author = {Xiao-Jiao Mao and Chunhua Shen and Yu-Bin Yang},
journal= {arXiv preprint arXiv:1603.09056},
year = {2016}
}
备注
Accepted to Proc. Advances in Neural Information Processing Systems (NIPS'16). Content of the final version may be slightly different. Extended version is available at http://arxiv.org/abs/1606.08921