重访 RCAN：改进图像超分辨率训练
计算机视觉与模式识别
2022-01-28 v1
摘要
图像超分辨率（SR）是一个快速发展、以新颖架构吸引关注的领域。然而，大多数 SR 模型采用过时的训练策略进行优化。本工作中，我们重访流行的 RCAN 模型并考察 SR 中不同训练选项的影响。令人惊讶（或或许在意料之中）的是，我们表明借助恰当的训练策略与极小的架构改动，RCAN 能在标准基准上优于或匹敌 RCAN 之后发表的几乎所有基于 CNN 的 SR 架构。此外，尽管 RCAN 是拥有四百多个卷积层的超大 SR 架构，我们得出一个显著结论：限制模型能力的仍是欠拟合而非过拟合。我们观察到支持性证据：增加训练迭代次数明显提升模型性能，而应用正则化技术通常使预测退化。我们将简单修订的 RCAN 记为 RCAN-it，并建议研究者将其用作未来研究的基线。代码公开于 https://github.com/zudi-lin/rcan-it。
引用
@article{arxiv.2201.11279,
title = {Revisiting RCAN: Improved Training for Image Super-Resolution},
author = {Zudi Lin and Prateek Garg and Atmadeep Banerjee and Salma Abdel Magid and Deqing Sun and Yulun Zhang and Luc Van Gool and Donglai Wei and Hanspeter Pfister},
journal= {arXiv preprint arXiv:2201.11279},
year = {2022}
}
备注
13 pages with 10 tables and 4 figures