基于轻量级残差卷积神经网络的单图像超分辨率
计算机视觉与模式识别
2017-12-07 v2
摘要
近年来，卷积神经网络（CNN）在低层和高层视觉的各种问题上都取得了巨大成功。尤其值得注意的是最初为处理高层视觉问题而提出的残差网络，它具有若干优点。本文旨在将残差网络的优点（如跳跃连接带来的快速训练）扩展到典型的低层视觉问题，即单图像超分辨率。一般而言，现有用于超分辨率的深度 CNN 面临两大挑战：梯度爆炸/消失问题，以及随着 CNN 加深而带来的大量参数或计算成本。相应地，利用跳跃连接或恒等映射捷径来避免梯度爆炸/消失问题。此外，跳跃连接自然地中心化了激活值，从而带来了更好的性能。为解决第二个问题，提出了一种精心设计宽度、深度和跳跃连接的轻量级 CNN 架构。特别地，为残差网络提出了一种逐渐改变网络形状的策略。还比较了用于图像超分辨率的不同残差架构。实验结果表明，所提出的 CNN 模型不仅能在单图像超分辨率中实现最先进的 PSNR 和 SSIM 结果，还能产生视觉上令人愉悦的结果。本文扩展了 mmm 2017 口头报告会议论文，增加了大量新分析，特别是从中心化激活值和残差网络的集成行为角度进行了更多实验。
引用
@article{arxiv.1703.08173,
title = {Single Image Super-resolution via a Lightweight Residual Convolutional Neural Network},
author = {Yudong Liang and Ze Yang and Kai Zhang and Yihui He and Jinjun Wang and Nanning Zheng},
journal= {arXiv preprint arXiv:1703.08173},
year = {2017}
}
备注
Extentions of mmm 2017 paper