超分之EDSR_EDSS评分计算方式

这篇文章是SRResnet的升级版——EDSR，其对网络结构进行了优化(去除了BN层)，省下来的空间可以用于提升模型的size来增强表现力。此外，作者提出了一种基于EDSR且适用于多缩放尺度的超分结构——MDSR。

EDSR在2017年赢得了NTIRE2017超分辨率挑战赛的冠军。

参考目录：
①深度学习端到端超分辨率方法发展历程
②【图像超分辨】EDSR
③源码(Pytorch)
④源码(Facebook-torch)
⑤源码(Tensorflow)

Abstract

1. 作者推出了一种加强版本的基于Resnet块的超分方法，它实际上是在SRResnet上的改进，去除了其中没必要的的BN部分，从而在节省下来的空间下扩展模型的size来增强表现力，它就是EDSR，其取得了当时SOAT的水平。
2. 此外，作者在文中还介绍了一种基于EDSR的多缩放尺度融合在一起的新结构——MDSR。
3. EDSR、MDSR在2017年分别赢得了NTIRE2017超分辨率挑战赛的冠军和亚军。
4. 此外，作者通过实验证明使用$L1-Loss$比$L2-Loss$具有更好的收敛特性。

1 Introduction

近几年来，深度学习在SR领域展现了较好的图像高分辨率重建表现，但是网络的结构上仍然存在着一些待优化的地方：

1. 深受神经网络的影响，SR网络在超参数(Hyper-parameters)、网络结构(Architecture)十分敏感。
2. 之前的算法(除了VDSR)总是为特定up-scale-factor而设计的SR网络，即scale-specific，将不同缩放尺度看成是互相独立的问题，因此我们需要一个统一的网络来处理不同缩放尺度的SR问题，比如$\times 2,3,4$，这比训练3个不同缩放尺度的网络节省更多的资源消耗。

针对第一个网络结构问题，作者在SRResNet的基础上，对其网络中多余的BN层进行删除，从而节约了BN本身带来的存储消耗以及计算资源的消耗，相当于简化了网络结构。此外，选择一个合适的loss function，作者经过实验证明$L1-Loss$比$L2-Loss$具有更好的收敛特性。
Note：

1. MSE就是典型的$L2-Loss$。

针对第二个多缩放尺度问题，作者用2种不同的方式去处理：

1. 使用低缩放尺度($\times 2$)训练之后的模型作为高缩放尺度的初始化参数，结果取得很好的表现，说明不同尺度之间是有内在相关联系的。
2. 作者设计以了一个可以结合多尺度的SR网络MDSR，除了网络的头部和尾部为各个缩放尺度独立之外，中间部分是共享网络。这种多尺度SR网络具有和单一缩放网络相近的表现力，且相比$n$个单一网络，$n$个尺度相结合的MDSR消耗更少的资源。

EDSR和MDSR将在标准测试数据集上做测试，分别是Set5、Set14、B100、Urban100以及新的数据集DIV2K。结果显示两种算法在PSNR/SSIM上都取得了SOAT的表现，并在NTIRE2017超分大赛上包揽冠亚军。

2 Related Works

略

3 Proposed Methods

本节将正式开始介绍一种增强版本的SRResNet——EDSR(一种single-scale网络)，它通过移除了适合分类这种高级计算机视觉任务而不适合SR这种低级计算机视觉任务的BN层来减少计算资源损耗。
除此之外，本节还会介绍一种集合了多尺度于一个网络中的multi-scale超分网络——MDSR。

Note：

1. BN不适合超分任务的原因：点这里。

3.1 Residual blocks

移除BN有以下三个好处：

1. 这样模型会更加轻量。BN层所消耗的存储空间等同于上一层CNN层所消耗的，作者指出相比于SRResNet，EDSR去掉BN层之后节约了$40\%$的存储资源。
2. 在BN腾出来的空间下插入更多的类似于残差块等CNN-based子网络来增加模型的表现力。
3. BN层天然会拉伸图像本身的色彩、对比度，这样反倒会使得输出图像会变坏，实验也证明去掉BN层反倒可以增加模型的表现力。

3.2 Single-scale model

EDSR是SRResNet的增强版本，是一种基于上图红框所示的残差块。
如上图所示就是EDSR的结构：最上面一排是网络结构，可以大致分为低层特征信息提取、高层特征信息提取、反卷积(上采样)层、重建层，基本和SRResNet、SRDenseNet是类似的。下面第二层分别表示残差块的构造以及反卷积层(分别是$\times 2、\times 3、\times 4$)的构造。
Note：

1. 连接①是将不同level的特征信息进行合并；连接②是ResNet块内部的残差连接。
2. 在EDSR的baseline中，是没有residual scaling的，因为只是用到了64层feature map，相对通道数较低，几乎没有不稳定现象。但是在最后实验的EDSR中，作者是设置了residual scaling中的缩减系数为0.1，且$B=32,F=256$。

增加模型表现力最直接的方式就是增加模型的参数(复杂度)，一般可以通过增加模型层数$B$(即网络深度)以及滤波器个数$F$(即网络宽度或者说通道数)。此外两者对于存储资源的消耗大约是$O(BF)$，增加的参数大约是$O(B{F}^2)$，因此增加滤波器个数才能在有限存储空间下最大化参数个数。

在Inception-ResNet这篇文章以及本文中都指出，过大的滤波器个数(feature map个数，或者说通道数)会导致网络不稳定，最佳的解决办法不是降低学习率或者增加BN层，而是通过在残差块最后一层卷积后加上Residual scaling层：

3.3 Multi-scale model

上图蓝色线表示的用训练好的up-scale-factor=2的EDSR网络作为$\times 3,4$训练时候的初始化参数，结果来看收敛速度以及表现力的提升都是有目共睹的，这一定程度上说明了不同缩放尺度之间是存在某种内在联系的。

因此作者设计了一种在单一网络中实现多尺度融合的SR网络——MDSR，其结构如下：

如上图所示是MDSR的网络结构，每个预处理模块由2个$5\times 5$的卷积层组成，针对每一种up-scale-factor设置不同的残差快；中间是一个共享残差网络；尾巴处是针对不同缩放倍数设计的上采样网络：
Note：

1. 总体来说，MDSR是基于EDSR的结构。
2. 预处理阶段的残差块中的卷积采用较大的$5\times 5$卷积核来增大初始阶段的感受野。
3. 作者统计了一笔数据，训练3个单独的EDSR-baseline来实现不同放大倍数的SR需要消耗$1.5M\ast 3=4.5M$的参数量；而训练一个MDSR的baseline需要$3.2M$的参数量，而MDSR在后续实验中表现也还不错，因此MDSR是一种资源消耗相对少且有一定表现力的SR网络。

下表是SRResNet、EDSR、MDSR资源占用统计：

4 Experiments

4.1 Datasets

需要介绍一下新的数据集DIV2K，这是包含了2K高分辨率图像的数据集：训练集800张、验证集100张、测试集100张。
其余的标准benchmark：Set5、Set14、B100、Urban100。

4.2 Training Details

1. 输入是数据集中的patch部分，RGB格式的$48\times 48$大小。
2. 通过水平翻转和90°旋转来做数据增强。
3. Adam做优化。
4. mini-batch=16。
5. 学习率从$10^{-4}$开始，每过$2\times 10^5$个epoches，就减半一次。
6. 对于EDSR中$\times 3、4$的网络训练的初始化参数，是采用训练完毕的$\times 2$EDSR网络的参数。而$\times 2$的EDSR是从头开始训练的。
7. EDSR和MDSR都采用$L1-Loss$，作者通过大量实验表明L1比L2有更好的收敛特性。

4.3 Geometric Self-ensemble

几何自集成的方法用于在测试的时候，将每一张输入图像经过8种不同(其中一种是原图)的变换方式进行转换：
$$I_{n,i}^{LR}=T_i(I_n^{LR})$$然后将8个结果通过网络输出成 { I n , 1 S R , I n , 2 S R ⋯   , I n , 8 S R } \{I^{SR}_{n,1},I^{SR}_{n,2}\cdots, I^{SR}_{n,8}\} {
In,1SR​,In,2SR​⋯,In,8SR​}，然后将每一个值经过转置处理：
$${\tilde{I}}_{n,i}^{SR}=T_i^{-1}(I_{n,i}^{SR})，$$最后在此基础上进行平均处理：
$$I_n^{SR}=\frac{1}{8}\sum _{i=1}^8{\tilde{I}}_{n,i}^{SR}.$$最后拿着最终的结果去计算PSNR/SSIM，即图表中的EDSR+、MDSR+，从实验结果来看，self-ensemble确实可以提升表现力。

4.4 Evaluation on DIV2K Dataset

在DIV2K验证集(测试集不公开)中实验结果如下：

Note：

1. 从结果来看，L1比L2-Loss更能对表现力进行提升。
2. Geometric Self-ensemble确实可以提升表现力。
3. EDSR在DIV2K上获取最佳的表现，其次MDSR也表现尚可。

4.5 Benchmark Results

作者对多种SR算法在Benchmark上的表现进行统计，结果如下：

Note：

1. 总体来看，EDSR和MDSR是包揽了最佳和次佳的表现结果。
2. 从SRResNet和EDSR的对比来看，去除了BN层确实对表现力有提升效果。

5 NTIRE2017 SR Challenge

下面是EDSR和MDSR在NTIRE2017超分挑战赛上的表现，当时获取了第一和第二名的结果：

6 Conclusion

文章的贡献如下：

1. 提出了一种增强型SRResNet的scale-specific网络——EDSR，它以残差块为基础，移除了不适合SR任务的BN块，从而减轻网络以及增强了网络的表现力，同时也使得BN空出来的部分可以插进更多的CNN来进一步提升网络的拟合能力。
2. 为了减缓feature map过多(滤波器过多或者说通道数过大)带来训练不稳定的问题，作者借用Inception-ResNet那篇文章说的residual scaling技术加入到EDSR的残差块最后一层CNN后。
3. 提出了一种在单一网络中实现多尺度融合的SR网络——MDSR，包括$\times 2、3、4$。相比训练3个不同单一尺度的SR网络，MDSR可以节省更多的参数。
4. 作者经过大量实验表明，L1-Loss比L2-Loss具有更好的收敛能力。

今天的文章超分之EDSR_EDSS评分计算方式分享到此就结束了，感谢您的阅读。