AI简报：图像超分模型 EDSR

• Enhanced Deep Residual Networks for Single Image Super-Resolution

1. 网络结构设计

1.1 去除BN

论文BN平滑了特征，可能影响到图像的重构，另一方面去除BN可以节省40%的显存的使用（需要存储mean和var），可以构建更大的网络来提高性能。

1.2 网络结构

上图为单尺度模型：ResBlock深度=32， feature map = 256

在ResBlock采用了Inception-v4中的残差的观点: 引入了residual connection以后，网络太深了不稳定，不太好训练，到后面可能全变为0了，而通过引入scale=0.1 。在残差相加前，乘以一个scaling factor，通常是0.1，稳定训练。

多尺度模型结构如下：

ResBlock深度=80 feature map = 64

详细如下：

2. 训练

• 数据集： DIV2K
• input size = 48*48
• optimizer：ADAM （0.9，,0.999，10e-8）
• batch size = 16
• init lr：10e-4， 每2*10e5 step 减半
• Loss： L1/L2
• augmentation: 水平flip， 选择90
• Geometric Self-ensemble：测试时，7种不同的augmentation输入，得到7个HR+自身输入得到的HR，共8个，进行求均值。论文指出可以达到多模型融合的效果。

3. 结果