基于深度反投影(Back-Projection)网络的图像超分辨

Deep Back-Projection Networks For Super-Resolution

作者：Muhammad Haris, Greg Shakhnarovich, and Norimichi Ukita

Google机翻:用于超分辨率的深背投影网络

• 背景：SR方面的深度学习方法都是前馈的（当时），因此没有充分利用到高低分辨对的相互依赖关系。作者提出通过将多个上下采样块级联，可以更好地学习到高低分辨对的特征，而且级联的上下采样块还可以表征不同的图像劣化方式和高频分量。通过堆叠(concatenate)所有高低分辨对的输出的方式(Dense - DBPN)，可以显著增强超分辨的结果，甚至在8x的上采样系数下取得了很好的性能。

• 感想：DBPN以及RBPN的想法是有独到之处的。大多数的基于卷积神经网络的结构是通过不断提取特征，生成feature map 并进行上采样的方式得到HR图像，并基于这个思路去深化、扩大网络。DBPN则是在一个网络中级联了多个上下采样的阶段，就实现了作者所说的"both up and down projection errors to guide the reconstruction"，以及"representing mutual relations"。 我认为想法是新颖的。

作者阐述DBPN主要特点：

1. 误差反馈：不仅是LR -> HR ，也有HR -> LR。
2. 互相连接的 上下采样块
3. 深度堆叠：concat了所有块的输出
4. 应用密集连接，提高特征重