- 摘要
- 問題描述
何愷明將深度學習技術引入超分辨問題的開山之作SRCNN(2014年），主要存在以下幾個問題：
1、感受野小，使得獲取的語義信息少，對於恢復細節信息有難度
2、收斂很慢
3、SRCNN只針對單尺度超分
- 主要貢獻點
1、設計了一個20層的卷積神經網絡來做超分辨
2、小的學習率會使的網絡收斂很慢，而大的學習率容易使得梯度爆炸，因此通過殘差學習和大的學習率及梯度裁剪(gradient cropping)加速收斂
3、設計的一個網絡可以同時實現多尺度超分辨
- 網絡結構
1、可以看到現將低分辨的圖像（LR）進行插值到目標分辨率大小的低分辨率圖像（ILR），然后將其作為網絡的輸入
2、ILR經過D-1次的Conv+ReLU，再經過第D次的Conv層+上ILR圖像，作為最終輸出圖像，可以看出，網絡主要學習真實圖像與ILR的殘差。
- 訓練細節
1、損失函數：
其中f(x)表示網絡的預測輸出，r=y - x, y為真實高分辨圖像，x為經過插值的低分辨圖像。
2、 optimization methods：SGD，momentum=0.9, weight decay=1e-4
3、Adjustable Gradient Clipping。The gradients are clipped to [-θ/γ; θ/γ ], where γ denotes the current learning rate. And θ is tuned to be small to avoid exploding gradients in a high learning rate regime.
4、Multi-Scale Training
可以看到，只用單尺度的圖像對訓練，那么只在對應的尺度，PSNR最高。而用多尺度的訓練，測試的時候不同尺度的結果都是最好的（倒數第二列）
- 實驗結果
paper link:https://cv.snu.ac.kr/research/VDSR/VDSR_CVPR2016.pdf