[论文笔记] Deep Back-Projection Networks For Super-Resolution

[论文笔记] DPDN

一，主要贡献梳理

1. 误差回传机制：这里是使用了迭代的错误反馈机制，通过计算上采样和下采样单元的投影误差来获得更好的效果。
2. 相互连接的上-下采样阶段：前馈结构可视为一种映射，仅仅将输入的代表性特征到输出空间。这种方法对于LR到HR的映射是不成功的，尤其是大尺度因子，这是因为LR空间的特征局限性。因此我们的网络不仅利用上采样层生成多样的HR特征并且利用下采样层将其映射到LR空间。
3. 深度级联：这里是将不同上采样层的HR特征做concat，放在网络的最后
4. dense连接：特征的复用，提高网络的精度

二，常见SR模型

三，论文模型梳理

1.迭代投影单元

使用原因

反馈网络将预测过程分解为多个步骤，使模型具有自校正过程。

上映射单元定义

这个看起来很复杂，但是其实很容易理解。就是将LR图像先进行上采样得到HR，再进行下采样,将输出和输入的LR计算得到残差，再对残差进行上采样，得到结果与前面的HR进行叠加得到输出结果。上映射单元结构如下所示：