又一个resnet的超分结构,NTIRE2017的冠军作品。
based on the SRResNet architecture, we first optimize it by analyzing and removing unnecessary modules to simplify the network architecture.
是基于SRResNet(SRGAN的生成网络)的优化,移除了一些不必要的结构,简化Residual blocks结构。
如图,原始res block是经过卷积、批量归一化(BN)、激活ReLU、卷积、BN,然后加上输入并最后relu激活得到输出;SRResNet的block去掉了最后一个激活,EDSR则去掉了所有BN,所以网络结构更简洁(特别BN耗内存也耗时),这样就可以增加更多的层来训练更复杂的网络。
EDSR整个网络结构如下图所示,整个结构基于SRResNet,相比之下,ResBlock去除了BN层,并且block的特征数相同,如64或256,一共指定了32个blocks。
看结构,是LR输入一个conv提取特征,然后B个resblock提取全局的高层特征,然后一个conv后加上低层特征作为特征的学习结果,然后上采样后,进行一次conv得到HR图像,其中上采样支持X2、X3和X4等倍数(另外,文中也提供了MDSR多倍数超分的结构)。
实验部分
使用了最近发布的2K图DIV2K数据集,然后将图像裁剪为48* 48的RGB通道的LR图像,同时进行翻转和旋转扩展数据集(注意,是使用了RGB三通道,不是Y通道而已了)。loss函数使用了L1函数。
结果又多屌直接看图
论文链接 https://arxiv.org/abs/1707.02921
tensorflow https://github.com/jmiller656/EDSR-Tensorflow
PyTorch https://github.com/thstkdgus35/EDSR-PyTorch
**Torch ** https://github.com/LimBee/NTIRE2017