Fast and Accurate Single Image Super-Resolution via Information Distillation Network CVPR2018
github(caffe): https://github.com/Zheng222/IDN-Caffe
網絡結構以特徵提取塊、多個信息蒸餾塊(progressively distill residual information)和重建塊組成,其中主要創點是信息蒸餾塊。
將增強單元( mixes together two different types of features )( comprises two shallow convolutional networks)+壓縮單元(distills more useful information for the sequential blocks)結合 ( the local long and short-path features can be effectively extracted)。
輕量級參數和計算量
爲了得到HR image,將學習得到的殘差image+upsampled LR image,就是學習的是殘差,重建的是殘差圖。(和RED DRRN類似)
下面主要介紹信息蒸餾塊:
增強單元
上圖爲增強單元,包含兩個淺層的卷積網絡,前三層(第一層網絡)提取局部短途short path 特徵(因網絡層數淺),先把淺層的局部特徵傳遞給另一個模塊。
第二層網絡提取的特徵爲局部長途long path特徵
將特徵映射分爲兩部分(保留的short path特徵和增強的short path特徵)應該就是圖中S分支(未完需補充,S C是什麼,怎麼操作的)
將短路徑特徵與長路徑特徵結合,提高網絡表達能力。
壓縮單元:採用簡單的卷積層壓縮增強單元特徵中冗餘(就是一層卷積層,特徵提取一下)
總結來說:增強單元儘可能多的收集信息,壓縮單元儘可能的蒸餾有用的信息。
(未完待續)