图像超分辨率网络：RDN

   作者：石文华           

编辑：陈人和           

前  言

单幅图像超分辨率（SISR）旨在于低分辨率（LR）尺寸的基础上生成视觉良好的高分辨率（HR）图像。SISR 用于各种计算机视觉任务，如安全和监视成像 、医学成像和图像生成。图像超分辨率是一个不适定（ill-posed）逆过程，因为对于任何 LR 输入都存在多种解决方案。为了解决这个逆问题，研究者们已经提出了大量的图像 SR 算法，包括基于插值、基于重建和基于学习的方法 。

章节目录

• 存在问题
  

• 解决方法

• 网络结构
  

• 细节

• 实验结果

• 话题模型

01

存在问题

（1）、EDSR、MemNet等方法随着网络变深，每个卷积层中的特征将具有不同层级的感受野。然而，这些方法忽略了充分利用每个卷积层的信息。尽管提出的记忆块中的门控单元是控制短期记忆的，但局部卷积层不能直接访问后续层，所以很难说记忆块充分利用了其内部所有层的信息。 

（2）、图像中的物体具有不同的大小、视角和高宽比。一个非常深的网络的分层特征将为重构提供更多的线索，大多基于深度学习（DL）的方法（如 VDSR、LapSRN 和 EDSR ）在重构时忽略了使用分层特征。

02

解决方法

为了解决这些缺点，提出了残差密度网络（RDN）来有效地从LR空间的所有层中提取和自适应融合特征，通过残差密度网络的残差密集块（RDB）来充分利用原始 LR 图像的所有分层特征，残差密集块如下图（a为 MDSR 中的残差块（residual block），b为 SRDenseNet 中的密集块（dense block），c为残差密集块。）：

03

网络结构

由上图所示， RDN 主要包含四部分：浅层特征提取网络（SFENet）、残差密集块（RDBs）、密集特征融合（DFF）以及上采样网络（UPNet）。我们将 ILR 和 ISR 表示为 RDN 的输入和输出，具体来说，我们使用两个 Conv 层来提取浅层特征。前向传播表示如下：

（1）浅层卷积1（这一层提取的特征用于进一步的浅层特征提取以及全局的残差学习）：

（2）浅层卷积2（这一层提取的特征作为RDB模块的输入）：

（3）RDB模块，假设我们有d个RDBs，则第d个RDB的输出fd可以表示为： 

（4）密集特征融合（DFF），包括全局特征融合（GFF）和全局残差学习（GRL），它充分利用了前面所有层的特性，可以表示为 

（5）在提取了LR空间中的局部和全局特征后，接着堆叠了一个上采样网络（up net）。这里在upnet中使用了espcn的亚像素卷积层(sub-pixel convolutional layer) 技术，上采样之后再堆叠一个conv层。最后RDN的输出表示为： 

04

细节

（1）、连续记忆机制。 
通过将前一个RDB的状态传递给当前RDB的每一层来实现连续记忆机制。Fd−1和 Fd分别表示第d个RDB模块的输入输出，特征图数都是G0，则第d个 RDB中的第 c个conv层的输出可以表示为：

σ表示激活函数，Wd,c是第c个卷积层的权重，假设Fd,c有G个特征图，则[Fd−1, Fd,1, · · · , Fd,c−1]表示由输入（第d-1个RDB模块的输出）经过各个conv得到的特征进行通道上的拼接，拼接到的特征图通道数为：G0+(c − 1) ×G，这样的连接能够使前馈网络更好的传递信息，并且有利于提取局部的密集特征。 

（2）、局部特征融合。 

局部特征融合通过使用concatenation的方式融合前一个RDB和当前RDB中的整个conv层的状态特征，并采用1×1卷积层（助于更大增长率的RDB模块的训练）来自适应控制输出信息，表示如下（H_dLFF表示1*1卷积操作，输出特征图的通道数是G）：

（3）、局部残差学习 
也就是将RDB的输入跟局部特征融合之后的特征图进行加和操作，该操作有助于提升模型的表达能力。

（4）、密集特征融合（DFF) 
DFF包括全局特征融合（GFF）和全局残差学习,全局特征融合表示如下：

[F1, · · · , FD]表示的是各个RDB模块产生的特征图在通道上拼接起来组成的整体，Hgff表示的是1×1和3×3的卷积操作，1×1卷积层用于自适应融合一系列不同层次的特征。引入3×3卷积层进一步提取特征(即公式9的Fgf)然后进行全局残差学习，全局残差学习表示如下：

全局残差学习其实就是浅层产生的也在F-1和FGF进行加和操作。跟RDB的局部残差的套路一样。

05

实验结果 

（1）、BD 和 DN 退化模型的基准结果

（2）使用缩放因子×3 的 BD 退化模型的可视化结果。SR 结果分别是由 Urban100 的图像得到的「img 096」和由 Urban100 得到的「img 099」

（3） 使用缩放因子×3 的 DN 退化模型的可视化结果。SR 结果分别是由 B100 的图像得到的「302008」和 Manga109 得到的「LancelotFullThrottle」

网络结构的代码详见： 

https://github.com/cswhshi/super-resolution/blob/master/rdn.py 

欢迎大家指正和star~

参考：

https://arxiv.org/pdf/1802.08797.pdf

END

往期回顾

机器学习算法工程师

---

                            一个用心的公众号

长按，识别，加关注

进群，学习，得帮助

你的关注，我们的热度，

我们一定给你学习最大的帮助

你点的每个赞，我都认真当成了喜欢