[论文笔记] Enhanced Deep Residual Networks for Single Image Super-Resolution

[论文笔记] EDSR

一，简介

1. 通过去除残差网络中不必要的组成模块，本文基于SRResNe提出了一个增强深超分辨网络(EDSR)，提高了图像超分辨的效果，并赢得了NTIRE2017超分辨率重建挑战赛。
2. 另外，作者还提出了一种多尺度模型，不同的尺度下有绝大部分参数都是共享的。该模型在处理每一个单尺度超分辨下都能有很好的效果。

二，EDSR网络

Residual blocks

1. 思路来源

   一开始的ResNet被提出来是为了解决更高层次的计算机视觉问题，如图像分类和检测。但是,根据实验表明，直接对底层视觉问题套用ResNet架构，如超分辨率，得到的答案可能是次优的。

   所以，本文作者据此对SRResNet的残差块做出了一定的修改，并取得了性能的飞跃。

   修改如下：去除掉了SRResNet的批量标准化(batch normalization, BN)层

2. 原因分析

   BN层的作用是对特征进行归一化，可以消除网络特征的范围灵活性。但是，对于SR问题来说，去除特征的范围灵活性会导致本来不多的特征信息再次减少，不利于产生HR

3. 效果

   1. 大大提高了性能
   2. 与SRResNet相比，由于BN层的计算量和一个卷积层几乎持平，baseline模型没有批量标准化层，在训练期间可节省大约40％的内存使用量。 因此，可以在有限的计算资源下构建一个比传统ResNet结构具有更好性能的更大模型。