使用带 Maxout 单元的轻量 CNN 进行单图像超分辨率

修正线性单元（ReLU）众所周知有助于许多基于深度学习的应用获得更快收敛从而更高性能。然而，当滤波器参数数量被限制为很小时，带 ReLU 的网络往往表现不佳。为克服此问题，本文提出一种利用 maxout 单元（MU）的新颖网络，并展示了其在超分辨率（SR）应用上的有效性。一般而言，已知 MU 在分类问题中生成相同尺寸特征图时会令滤波器尺寸翻倍。本文首先揭示在复原问题中 MU 甚至可使滤波器尺寸减半，从而实现网络规模的压缩。为此，我们的 SR 网络在设计时借助 MU 而不增大滤波器尺寸，其以更少的滤波器参数数量优于当前最优的 SR 方法。据我们所知，我们首次将 MU 引入 SR 应用并展示出有前景的性能结果。在 MU 中，来自前一卷积层的特征图沿通道分为两部分，随后逐元素比较，仅将其最大值传入下一层。除分析 MU 的一些有趣性质外，我们进一步研究 MU 的其他变体及其效果。此外，当卷积滤波器参数极少时 ReLU 难以学习，而 MU 则不会。对于 SR 应用，我们基于 MU 的网络以更低的滤波器参数重建出与先前基于深度学习的 SR 方法质量相当的高分辨率图像。