图像超分辨传统方法_超分辨率图像重建「建议收藏」

论文：

Residual Dense Network for Image Super-Resolution 

Github：

https://github.com/yulunzhang/RDN

https://github.com/hengchuan/RDN-TensorFlow

整体结构：

RDN（Residual Dense Network）主要包含4个模块。

（1）shallow feature extraction net (SFENet)

该模块主要表示前2个卷积层。

（2）redidual dense blocks (RDBs)

RDB模块主要将残差模块residual block和dense block模块进行了整合，将两者集合起来，形成了residual dense block 。3个模块的区别如下图所示。

其中，Contiguous memory 表示将Fd-1，Fd,1，Fdc，FdC的特征都利用起来。Local feature fusion 表示concat后的1*1卷积操作，该操作有助于更大增长率的RDB模块的训练。Local residual learning表示将Fd-1和Fd,LF的特征进行融合，该操作有助于提升模型的表达能力。

（3）dense feature fusion (DFF)

该模块包含Global feature fusion 和Global residual learning 两部分。Global feature fusion表示对F1，F2……FD特征的利用。Global residual learning表示F-1和FGF的加和操作。其实和RDB一样的套路。

（4）up-sampling net (UPNet)

该模块表示网络最后的上采样+卷积操作。实现了输入图片的放大操作。

RDN和DenseNet block的区别：

（1）RDN中的RDB模块去掉了DenseNet每个block中的batchnorm

（2）RDN中的RDB模块去掉了DenseNet每个block中的pooling

（3）DenseNet中每一个dense block的输出都是concat起来的。而RDB将d-1层的特征也和1到d层的特征做了局部特征融合（local feature fusion (LFF)），更好的保证了信息流的贯通。

（4）在整个RDN网络上，每一个RDB模块的输出都会最终被concat起来利用。而DenseNet 整个网络中只使用每一个DenseBlock最后的输出。

RDN和SRDenseNet 的区别：

（1）RDN通过3个方面改进SRDenseNet 中使用的传统DenseBlock模块。1，加入了contiguous memory (CM) mechanism 使得先前的RDB模块和当前的RDB模块都有直接接触。2，得益于local feature fusion (LFF) ，RDB模块可以容许更大的增长率。3，RDB中Local residual
learning (LRL) 的应用增加了信息和梯度的流动。

（2）RDB内部没有稠密连接。

（3）SRDenseNet 使用L2 loss，RDB使用L1 loss。

RDN和MemNet 的区别：

（1）MemNet 需要对原始图片使用Bicubic插值方式进行上采样，而RDN直接使用原始低分辨图片，优势就是可以减少计算量和提高效果。

（2）MemNet 中包含逆向和门限单元的模块就不再接受先前模块的输入，而RDB各个模块之间是有信息流交互的。

（3）MemNet 没有全部利用中间的特征信息，而RDN通过Global Residual Learning 将所有信息都利用起来。

数据集DIV2K ：

https://data.vision.ee.ethz.ch/cvl/DIV2K/

图片为高质量的2k图片，包含800张训练集，100张测试集，100张验证集。

训练的输入图片使用该2k图片通过下面3种处理得到。

（1）BI方式：主要通过Bicubic下采样得到，缩小比例为x2，x3，x4

（2）BD方式：先对原始图片做（7*7卷积，1.6方差）高斯滤波，再对滤波后图片做下采样。

（3）DN方式：先做Bicubic下采样，再加30%的高斯噪声。

总结：

（1）RDB这种集合Residual Block和DenseBlock的思想并进行改进做的很好。

今天的文章图像超分辨传统方法_超分辨率图像重建「建议收藏」分享到此就结束了，感谢您的阅读。