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的发展历程
②【图像超分辨】EDSR
③源码(Pytorch)
④源码(Facebook-torch)
⑤源码(Tensorflow)
Abstract
- 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。 - 此外，作者在文中还介绍了一种基于EDSR的
一种多尺度融合的新结构
—— MDSR 。 - EDSR、MDSR在2017年分别赢得了NTIRE2017超分辨率挑战赛的冠军和亚军。
- 此外，作者通过实验证明使用
比
具有更好的收敛性。
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：
- 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。
- 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
，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，作者经过实验证明比
具有更好的收敛特性。
Note：
- MSE就是典型的
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：
- 使用低尺度（
）训练的模型作为高尺度的初始化参数，结果取得了良好的性能，说明不同尺度之间存在着内在的相关性。
- 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
个单一网络，
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
轻微地
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：
- 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：
- 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
的存储资源。
- 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。
- 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)的构造。
Note：
- 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。
- 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
。
增加模型表达力最直接的方法就是增加模型的参数（复杂度），一般通过增加模型层数（即网络深度）和滤波器数量
（即网络宽度或频道）。另外，两者对存储资源的消耗约为
，增加的参数约为
。因此，增加过滤器的数量可以在有限的存储空间下最大化参数的数量。
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：
- 总体来说，MDSR是基于EDSR的结构。
- 预处理阶段残差块中的卷积使用更大的
卷积核来增加初始阶段的感受野。
- 作者统计了一笔数据，训练3个单独的RDSR-baseline来实现不同放大倍数的SR需要消耗
的参数量；而训练一个MDSR的baseline需要
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
- 输入是数据集中的patch部分，RGB格式的
大小。
- 通过水平翻转和90°旋转来做数据增强。
- Adam做优化。
- mini-batch=16。
- 学习率从
开始，每过
个epoches，就减半一次。
- 对于EDSR中
的网络训练的初始化参数，是采用训练完毕的
- EDSR和MDSR都采用
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：然后将8个结果通过网络输出成
，然后将每一个值经过转置处理：
最后在此基础上进行平均处理：
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：
- 从结果来看，L1比L2-Loss更能对表现力进行提升。
- Geometric Self-ensemble确实可以提升表现力。
- 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：
总体来看，EDSR和MDSR是包揽了最佳和次佳的表现结果。
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：
- 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。 - 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。 - 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。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。
- 作者通过大量实验证明，
L1-Loss
比L2-Loss具有更好的收敛能力。
文章出处登录后可见！
