0问题重述
基于深度学习的超分辨图像的生成问题。
之前都没有人引入反馈机制。
1摘要
最近图像超分辨SR用深度学习技术获得了很好的表现。但是存在于人类视觉系统的反馈机制,没有被用到这些方法中。
本文提出了SRFBN(super-resolution feedback network),用高层信息改善低层表达。具体来说,我们使用受限/约束RNN(循环神经网络)的隐藏状态(hidden state),来实现这样的反馈方式。feedback block 处理feedback connection,生成强大的高级表示。SRFBN具有强大的早期重建能力,并一步一步建立最终的高分辨率的图象。
除此之外,我们引入了curriculum learning 策略,使得网络适用于更多复杂的任务,这些复杂的任务中,低分辨率图像被各种类型的degradation损坏。大量实验证明了SRFBN比其他方法好。
2主要贡献
1)提出SRFBN结构,具有早期重建能力,参数不多。
2)提出FB(feedback block),能处理反馈信息流,丰富高层表示(通过上下采样层、密集跳跃链接)
3)提出curriculum-based训练策略,将具有增加重构难度的HR图象作为连续迭代的目标送进网络。使得网络能够逐渐学习复杂的降级模型,而仅通过一步就得到预测结果的方法就不行了。
3网络结构
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)