基于密集跳跃连接单图像超分辨率方法.pdfVIP

ImageSuper‑ResolutionUsingDenseSkipConnections

童童，，高勤全视觉

技术福州，

{ttraveltong,ligen,liu.xiejie,gqinquan}@imperial‑

使用更深网络的一个好处是，更大的感受野可以从低

分辨率（LR）图像中获取的上下文信息来预测高

的研究表明，使用深度卷积神经网络可以显

分辨率（HR）图像中的数据。然而，有效地训练一个

著提升单图像超分辨率方法的性能。在本研究中，我

非常深的CNN具有性，因为存在梯度问题。

们通过在一个非常深的网络中引入密集跳跃连接，提

解决这个问题的一个好方法是使用跳跃连接，这些连

出了一种新的单图像超分辨率方法。在所网络

接从顶层创建到底层的短路径。这有助于信息和梯度

中，每一层的特征图被到所有后续层，了一

在网络中的流动，使其更容易训练。此外，在之前的

种有效的方式结合低级特征和高级特征以提升重建性

工作中仅使用了顶层的高级特征来重建高分辨

能。此外，网络中的密集跳跃连接使得从输出直接构

率图像。低级特征可能额外的信息来重建高分辨

建到每一层的短路径成为可能，缓解了非常深的网络

率图像中的高频细节。图像SR可能会从不同层次特征

中的梯度问题。此外，反卷积层被集成到网络中

的集体知识中受益。此外，先前的研究表明在深

以学习上采样滤波器并加速重建过程。进一步地，所

层网络的不同层中学习到了冗余的特征图。从底层重

方法大幅减少了参数数量，提高了计算效率。

用特征图有助于减少特征冗余，从而学习更紧凑的

我们使用来自四个基准数据集的图像评估了所

CNN模型。

方法，并达到了新的最先进水平。

在本工作中，我们提出了一种新的超分辨率方法，

称为SRDenseNet，其中采用了密集连接的卷积网络。

引入密集连接改善了信息在网络中的流动，缓解了梯

度问题。此外，它允许重用前层的特征图，避免重

1.引言新学习冗余特征。与以前的工作不同，我们利用密集跳

从低分辨率（LR）版本恢复高分辨率（HR）图过连接结合低级特征和高级特征，为SR重建丰富信

像是一个高度的问题，因为从LR到HR空间的映射息。进一步地，集成了反卷积层以恢复图像细节并加速

可以有多个解决方案。当放大因子较大时，恢复图像超重建过程。所方法已在四个公开可用的基准数据

分辨